大M法（基本原理+例题分析）

最新推荐文章于 2024-08-02 17:14:42 发布

背对人潮

最新推荐文章于 2024-08-02 17:14:42 发布

阅读量1w

点赞数 5

分类专栏：最优化问题 # 线性规划文章标签：算法线性代数机器学习矩阵

本文链接：https://blog.csdn.net/m0_61209712/article/details/134454663

版权

最优化问题同时被 2 个专栏收录

24 篇文章

订阅专栏

线性规划

6 篇文章

订阅专栏

基本思想：构造一个辅助线性规划问题（ALP）,通过求解它得到线性规则（LP）的初始可行基。

基本概念：

例题分析：

基本概念：

对于标准形式的线性规则问题：

$\left\{\begin{matrix} minf(x)=c^{T}x\\s.t.Ax=b \\ x\geq 0 \end{matrix}\right.$

其中 $b\geq 0$ ,A 是 $m\times n$ 矩阵， $m< n$ ，但 A 不一定满秩。

首先，增加两个 m 维向量： $e=(1,1,...,1)^{T},x_{M}=(x_{n+1},x_{n+2},...,x_{n+m})^{T}$

其中 $x_{n+1},x_{n+2},...,x_{n+m}$ 称为人工变量。

然后，构造辅助标准线性规划问题（ALP）：

$ALP\left\{\begin{matrix} minf_{1}(x,x_{M})=c^{T}x+Me^{T}x_{M}\\s.t.Ax+x_{M}=b \\ x\geq 0,x_{M}\geq 0 \end{matrix}\right.$

其中 M 是一个很大的正数，这样在极小化目标函数的过程中，由于大 M 的存在，即迫使人工变量离基。

用单纯形法求解（ALP），其结果为下列几种情形之一：

（1）求得（ALP）的最优解，并且人工变量全是零，此时得到的 x 就是（LP）的最优解；

（2）求得（ALP）的最优解，但是人工变量不全是零，则（LP）无最优解；

（3）发现（ALP）没有最优解，则（LP）没有最优解或者没有可行解。

例题分析：

例题：用大 M 法求解线性规划问题：

$\left\{\begin{matrix} minf(x)=-3x_{1}+x_{2}+x_{3}\\s.t.x_{1}-2x_{2}+x_{3}\leq 11\\-4x_{1}+x_{2}+2x_{3}\geq 3\\-2x_{1}+x_{3}=1\\ x_{1},x_{2},x_{3}\geq 0 \end{matrix}\right.$

解：构造辅助线性规划（ALP）

$\left\{\begin{matrix} minf_{(x)}=-3x_{1}+x_{2}+x_{3}\\s.t.x_{1}-2x_{2}+x_{3}+x_{4}=11\\-4x_{1}+x_{2}+2x_{3}-x_{5}+x_{6}= 3\\-2x_{1}+x_{3}+x_{7}=1\\ x_{1},x_{2},x_{3},x_{4},x_{5},x_{6},x_{7}\geq 0 \end{matrix}\right.$

可以得到下列矩阵：

$A=\left [ \begin{smallmatrix} 1 &-2 &1&1 &0 &0 &0 \\-4 &1 &2 &0 &-1 &1 &0 \\-2 &0 & 1 &0 &0 &0 & 1 \end{smallmatrix} \right ]$ ， $b=\bigl(\begin{smallmatrix} 11\\ 3 \\1 \end{smallmatrix}\bigr)$ ， $c=(-3,1,1,0,0,M,M)^{T}$