MatLab线性规划

前言

1.使用MatLab求解线性规划需要安装Optimization Toolbox附加功能
2.本文总结了教材《数学建模算法与应用（司守奎）》第1章的内容，详情请参考教材
3.本文总结了二维线性规划问题，如何使用MatLab快速解决，教材对于这部分问题推荐使用Lingo，但其实MatLab也可以解决
如果不需要复习教材《数学建模算法与应用（司守奎）》第1章，请直接跳到目录最后一节

MatLab线性规划标准形式

min f(x)
A·x <= b
Aeq·x = beq
lb <= x <= ub

对标准形式的解释

x：决策变量，所有直接或间接影响"价值"的变量都是决策变量
f：价值向量，描述决策变量对"价值"影响权重的变量
A和b：线性不等式约束，A是一个矩阵，b是一个列向量
Aeq和beq：线性等式约束，Aeq是一个矩阵，beq是一个列向量
lb和ub：决策变量的下界向量和上界向量，代表决策变量的取值范围，为列向量

对于最大化价值的线性规划问题max f(x)，有以下转化公式：

max f(x) = min -f(x)

例：求x + 3y的最大值，相当于求-x - 3y的最小值

MatLab求解线性规划的函数

>>  linprog(f, A, b, Aeq, beq, lb, ub);

linprog()函数返回最佳决策变量和最佳决策变量对应的最小价值

该函数的参数可以不写完整，以下都是合法的调用格式

[x, fval] = linprog(f, A, b);
[x, fval] = linprog(f, A, b, Aeq, beq);
[x, fval] = linprog(f, A, b, Aeq, beq, lb, ub);

注意：
1.当没有线性不等式约束，但有线性等式约束时，要在A和b位置传入空矩阵

[x, fval] = linprog(f, [], [], Aeq, beq);

2.如果决策变量下界为0，使用zeros()函数快速生成下界向量lb
zeros(m, n) 生成m * n的全0矩阵

lb = zeros(n, 1);
[x, fval] = linprog(f, A, b, Aeq, beq, lb, ub);

3.使用inf()函数快速生成上界向量ub
inf(m, n) 生成m * n的全inf矩阵
Inf是正无穷大

ub = inf(n, 1);
[x, fval] = linprog(f, A, b, Aeq, beq, lb, ub);

带有绝对值的线性规划

min f(|x|)
A · x <= b

对于带有绝对值的线性规划，需要去绝对值，转换为等价的线性规划

去绝对值的方法

对决策变量作线性变换：

x = u - v
|x| = u + v
(u, v >= 0)

线性变换后得到的新决策变量：

x’ = [u; v]

转化后的等效线性规划：

min f(u + v) = [f, f] x’
A · (u - v) <= b即[A, -A] · x’ <= b
x’ >= 0

解决带绝对值的线性规划的伪码描述

设有n个决策变量，去绝对值后的新决策变量有2n个，且新决策变量必有下界0(u, v >= 0)

f = [...];					//初始化价值向量
A = [...]; b = [...]		//初始化线性不等式约束
Aeq = [...]; beq = [...]	//初始化线性不等式约束
f = [f; f];					//价值向量被延长一倍
A = [A, -A];
Aeq = [Aeq, -Aeq];			//约束矩阵被延长一倍
//为什么延长的价值向量不带符号，而延长的约束矩阵带符号，这是由上文"转化后的等效线性规划"决定的
lb = zeros(2n, 1);			//新决策变量必有下界0，注意新决策变量有2n个

二维线性规划

形式如下的线性规划，被称为二维线性规划

min ∑xij, i <= m && j <= n

对于二维动态规划，决策变量是二维的，所以价值向量变成了价值矩阵，约束矩阵等也相应地进行了升维
Lingo可以很方便对二维动态规划进行处理，MatLab不行，所以要把m * n的二维线性规划，转换成等价的l(l = m * n)变量的一维线性规划(保持决策变量数量不变)

MatLab处理时可以使用以下技巧，把二维线性规划转化为一维线性规划：
前文提到：数学建模第二天，MatLab矩阵入门
矩阵元素的编址有下标编址和序号编址两种，实际上序号编址方式，就是在逻辑上对矩阵降维打击，把矩阵当成向量进行访问，矩阵的下标编址和序号编址是一一对应的，这使我们可以很方便进行转换

例：把2 * 3的价值矩阵A转换成等价价值向量

>> A = A(:);

同理，对于每一个线性不等式约束和线性等式约束，我们都采用A = A( : );指令，进行降维
当数据量不大时，也可以手动输入线性约束矩阵

注意：要降维的矩阵，初始化时要初始化成矩阵的转置
例：某线性规划有决策变量有5 * 4 =20个，初始化其价值矩阵max z = 1.15x(4, 1) + 1.4x(2, 3) + 1.25x(3, 2) + 1.06x(5, 4)，并将其转换为价值向量

>> f = zeros(4, 5);
>> f(1, 4) = 1.15;
>> f(3, 2) = 1.4;
>> f(2, 3) = 1.25;
>> f(4, 5) = 1.06;
>> f = f(:);

可以看出，价值矩阵应该是5 * 4的，但我们将其初始化为4 * 5的转置矩阵，这样做是因为MatLab中的矩阵是以列向量为单位进行存储和寻访的，初始化为转置矩阵保证了寻访顺序的一致

对于约束矩阵，对每一行都进行一次降维处理，具体的处理方式和价值矩阵同理

例：初始化m * n个决策变量的约束矩阵，设一共有c个约束方程
伪码描述：

//初始化约束矩阵
>> A = zeros(c, m * n);
//对每个约束方程对应的行向量都要进行降维
for cnt = 1:c
	//初始化行向量
	>> row = zeros(n, m);
	//赋初值
	>> row(j1, i1) = ...;
	>> row(j2, i2) = ...;
	...
	//降维行向量
	>> row = row(:);
	//更新约束矩阵第cnt行的系数
	A(cnt, :) = row;
end

虽然写的是循环结构，但实际上row赋初值的过程是没办法用循环结构实现的
当线性规划的所有参数都降维后就可以直接调用linprog()函数了

最后，如果想让最佳决策值向量恢复为矩阵，则需要进行升维：

>> mat = zeros(m,  n);
>> row = zeros(1, n);
>> for i = 1:m
>>    for j = 1:n
>>        row(j) = x((i - 1) * n + j);
>>    end
>>    mat(i, :) = row;
>> end
>> mat

或者调用reshape函数进行向量升维：

>> mat = reshape(mat, m, n);