一文带你学透线性规划与整数规划（更新中）

本文链接：https://blog.csdn.net/m0_62577716/article/details/128568994

一.线性规划与单纯形法

1.一般线性规划的数学模型

$max z =\sum_{i}^{n}c_{i}x_{i}$

$\sum_{i=1}^{n}a_i{}*x_{i}\leqslant b$

$x_{i}\geqslant 0$

2.线性规划模型的三要素：

决策变量，目标函数，约束条件

3.线性规划问题的标准形式：

$max z =\sum_{i}^{n}c_{i}x_{i}$

$\sum_{i=1}^{n}a_{i}x_{i} = b$

$x_{i}\geqslant 0$

标准形式中

1.目标函数为求极大值

2.约束条件为全等式

3.约束条件右端的常数为非复值

4.变量为非负值

4.如何将线性规划问题化为标准形式

1.若目标函数为求极小值

min (z) 等价为 max (-z)

2.若约束条件为不等式

在不等式左边加入松弛变量或者剩余变量

并且它们在目标函数中的系数为0

3.若约束条件右端为b<0

将不等式两端同时乘（-1）

4.若变量为无约束

令 $x = x^{'} - x^{''}$

其中 $x^{'},x^{''}\geq 0$

5.对于变量为负数

令 $x^{'} = -x$

$x^{'} > 0$

参考例题：

5.什么时候可以用到线性/整数规划

当题中出现例如样安排最合理，如何最大化，最小化...

具体有如下几种：

1）. 生产安排

目标：如何使得总利润最大，如何使得成本最小；

约束：原料、工人、时间、设备限制；

2）. 销售运输

目标：如何使得运输成本最低；

约束：由产地运往不同销地的运价，产销不平衡等；

3）. 投资收益

目标：总收益最大；

约束：不同资产配置下收益率不同，总资金有限；

对于整数规划，除了通常要求变量为整数外，典型的还有指派/背包等问题(决策变量有0-1变量)。

6.线性规划问题的求解

1）图解法

图解法步骤：

建立直角坐标系，根据约束条件划分可行域，利用目标函数寻找最优解

最终的解可能出现的情况：

无穷多最优解（目标函数直线与约束条件平行），无界解（可能是缺少了某个约束条件），无解（不存在满足约束条件的可行域）

2）单纯形法

2.1）单纯形原理

对于一个标准形式的线性规划问题

可行解：满足所有约束条件的解

可行域：可行解的集合

最优解：使目标函数取得最大值的可行解

基：记A为约束方程为m*n的矩阵（n>m)，B为m*m的满秩子矩阵，则B为该线性规划问题的一个基

基解：在约束方程中令非基变量为0，求解m*m矩阵B基变量的解X = x1,x2,...xm，将其加上非基变量的0的值，称为线性规划的基解，基解的个数不超过 $C_{n}^{m}$

基可行解：满足非负约束条件的基解

可行基：对应于基可行解的基

凸集：若集合中的两个点，它们连线上的点依旧在这个集合中，则这个集合成为凸集

连线可表示为 $ax_{1}+(1-a)x_{2}$

顶点：不存在 $x^{}$ 使得其等于 $ax_{1}+(1-a)x_{2}$ ，这样的点成为顶点

2.2）单纯形法的计算步骤

1.首先将非标准型的线性规划问题转换为线性规划问题

2.列出初始单纯形表格

3.求出初始基可行解

4.最优性检验

5.换入换出变量构造新的单纯形表

6.不断重复，直到符合条件最优性

2.3）单纯形法的进一步讨论

1.大M法

2.两阶段法

3）程序求解

3.1 Matlab求解线性规划问题：

f = [-2; -3; 5];
a = [-2, 5, -1; 1, 3, 1];
b = [-10; 12];
aeq = [1, 1, 1];
beq = 7;
[x, y] = linprog(f, a, b, aeq, beq, zeros(3, 1));
x; y = -y;

Lingo代码求解线性规划问题：

例一：

max z = 72*x1 + 64*x2

x1 + x2 <= 50

12*x1 + 8*x2 <= 480

3*x1 <= 100

x1, x2 >= 0

未标准化：

model:   
   sets: 
   var/1..2/:x;
   endsets

   max = 72*x(1)+64*x(2);
         x(1)+x(2) <= 50;
         12*x(1)+8*x(2)<=480;
         3*x(1)<=100;
   end

标准化：（引入松弛变量）

max z = 72*x1 + 64*x2 +0*x3 +0*x4 +0*x5

x1 + x2 + x3 = 50

12*x1 + 8*x2 + x4 = 480

3*x1 + x5 = 100

x1, x2 , x3, x4, x5 >= 0

model:   
   sets: 
     var_name/1..5/:c, x;
     const_name/1..3/: b;
     matrix(const_name, var_name): A;! 3*5的A;
   endsets

   max = @sum(var_name: c*x);
   @for(const_name(i):
        @sum(var_name(j): A(i,j)*x(j))=b(i));
   data:
     c = 72, 64, 0, 0, 0;
     b = 50, 480, 100;
     A = 1, 1, 1, 0, 0,
         12, 8, 0, 1, 0,
         3, 0, 0, 0, 1;
   enddata 
end

二. 整数规划的一般形式：

$max z =\sum_{i}^{n}c_{i}x_{i}$

$\sum_{i=1}^{n}a_i{}*x_{i}\leqslant b$

$x_{i}$ 为整数

整数规划一般的求解方法：

分枝定界法——可求完全或混合整数线性规划
割平面法——可求完全或混合整数线性规划
隐枚举法——求解“0－1”整数规划
匈牙利法——解决指派问题
蒙特卡洛法——求解各种类型规划

相互排斥的变量，可以引入一个M(充分大的数)放在约束条件中，使得其两个约束条件始终成立

$a_{i1}x_{1}+... +a_{in}x_{n}\leqslant b_{i} + (1 - y_{i})M$

$y_{1}+... y_{n} = 1$

整数规划问题的求解：

lingo求解：（钢管下料问题）

model:   
   sets: 
     var_name/1..7/:c, x;
     const_name/1..3/: b;
     matrix(const_name, var_name): A;
   endsets

   max = @sum(var_name: c*x);
   @for(const_name(i):
        @sum(var_name(j): A(i,j)*x(j))=b(i));
   
   @for(var_name:@gin(x));
   data:
     c = 3, 1, 3, 3, 1, 1, 3;
     b = 50, 20, 15;
     A = 4, 3, 2, 1, 1, 0, 0,
         0, 1, 0, 2, 1, 3, 0,
         0, 0, 1, 0, 1, 0, 2;
   enddata 
end