数模笔记2-线性及非线性规划

线性规划模型

目标函数及约束条件（s.t.）均为线性函数，故被称为线性规划问题。线性规划问题是在一组线性约束条件的限制下，求一线性目标函数最大或最小的问题。

在解决实际问题时，把问题归结成一个线性规划数学模型是很重要的一步，往往也是很困难的一步，模型建立得是否恰当，直接影响到求解。而选适当的决策变量，是我们建立有效模型的关键之一。

线性规划问题的解的概念

• matlab中规定的线性规划的标准形式：

f, x, b, beq, lb, ub为列向量，f 称为价值向量，b 称为资源向量，A、Aeq 为矩阵。

• 一般线性规划问题的（数学）标准型为：

• 可行解：

  满足约束条件的解称为线性规划问题的可行解，而使目标函数达到最大值的可行解叫最优解

• 可行域：

  所有可行解构成的集合称为问题的可行域，记为R

---

• matlab中求解线性规划的命令为：

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

  其中 x 返回的是决策向量的取值，fval 返回的是目标函数的最优值，c 为价值向量，A, b 对应的是线下不等式约束，Aeq, beq 对应的是线下等式约束，lb 和 ub 分别对应的是决策向量的下界向量和上界向量。

整数规划模型（IP）

数学规划中的变量（部分或全部）限制为整数时，称为整数规划。若在线性规划模型中，变量限制为整数，则称为整数线性规划。目前所流行的求解整数规划的方法，往往只适用于整数线性规划。目前还没有一种方法能有效地求解一切整数规划。

整数规划分类

1. 变量全限制为整数时，称纯（完全）整数规划。
2. 变量部分限制为整数的，称混合整数规划。

整数规划特点

• 原线性规划有最优解，当自变量限制为整数后，其整数规划解出现下述情况
  • 原线性规划最优解全是整数，则整数规划最优解与线性规划最优解一致。
  • 整数规划无可行解。
  • 有可行解（当然就存在最优解），但最优解值变差。
• 整数规划最优解不能按照实数最优解简单取整而获得。（因为直接四舍五入可能不满足约束条件）

整数规划的数学模型

• 一般形式：

  

• 依照决策变量取整要求的不同，整数规划可分为纯整数规划、全整数规划、混合整数规划、0－1整数规划。

  • 纯整数规划：所有决策变量要求取非负整数（这时引进的松弛变量和剩余变量可以不要求取整数）。
  • 全整数规划：除了所有决策变量要求取非负整数外，系数aij和常数bi也要求取整数（这时引进的松弛变量和剩余变量也必须是 整数）。
  • 混合整数规划：只有一部分的决策变量要求取非负整数，另一部分可以取非负实数。
  • 0－1整数规划：所有决策变量只能取0或1两个整数。（一般适用于工作安排）

整数规划与线性规划的关系

整数规划可行解是松驰问题可行域中的整数格点，松驰问题无可行解，则整数规划无可行解；

ILP（整数线性规划）最优值小于或等于松驰问题的最优值，松驰问题最优解满足整数要求，则该最优解为整数规划最优解;

---

分枝定界算法

不考虑整数限制先求出相应松弛问题的最优解，

​ 若松弛问题无可行解，则ILP无可行解；

​ 若求得的松弛问题最优解符合整数要求，则是ILP的最优解；

若不满足整数条件，则任选一个不满足整数条件的变量 x i0 来构造新的约束添加到松弛问题中形成两个子问题xi <=[x i0]; xi >=[x i0+1]

依次在缩小的可行域中求解新构造的线性规划的最优解，并重复上述过程，直到子问题无解或有整数最优解（被查清）。

割平面算法

基本思想

• 如果松弛问题(P0)无解，则§无解；

• 如果(P0)的最优解为整数向量，则也是§的最优解；

• 如果(P0)的解含有非整数分量，则对(P0)增加割平面条件：即对(P0)增加一个线性约束，将(P0)的可行区域割掉一块，使得非整数解恰好在割掉的一块中，但又没有割掉原问题§的可行解，得到问题(P1)，重复上述的过程。

基本步骤

• 第一步：求解线性规划最优解

• 第二步：
  $$x_i+\sum a_{ik}{x}_k=b_i$$

  $$a_{ik}=[a_{ik}]+(a_{ik}-L{a}_{ik})=[a_{ik}]+f_{ik}$$

  $$b_i=[b_i]+(b_i-L{b}_i)=[b_i]+f_i$$

• 第三步：
  x i + ∑ [ a i k ] x k + ∑ [ f