单纯形算法详细解析

最新推荐文章于 2025-03-25 23:09:44 发布

荒野猿人

最新推荐文章于 2025-03-25 23:09:44 发布

阅读量1.1w

点赞数 10

分类专栏：确定优化文章标签：算法

本文链接：https://blog.csdn.net/m0_65910729/article/details/122547244

版权

本文详细介绍了线性规划的基础概念，包括标准形式、典范形式、凸组合、极点与极方向、可行域表示以及线性规划基本定理。此外，阐述了单纯形算法的核心——判优规则和改进规则，以及如何确定初始点。通过实例展示了单纯形算法的计算步骤，是理解线性规划和单纯形算法的入门指南。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

0. 简介

单纯形算法（simplex method）是求解线性规划模型的一种通用方法。

线性规划模型具有三个要素：

决策变量

目标函数

约束条件

线性规划模型具有这样的特点：

决策变量相互独立且连续变化

目标函数是线性函数

约束条件是线性不等式组

例：一个企业“生产计划”的线性规划模型如下

$\begin{align*} max \quad & z = 50x_1+80x_2\\ s.t. \quad & 0.5x_1 + 2x_2 \leq 40 \\ &x_1+1.5x_2 \leq 45\\ &x_1,x_2 \geq0 \end{align}$

$max$ 是指目标函数极大化，maximum的缩写，如果目标函数极小化则用 $min$ , minimize的缩写。 $s.t.$ 是subject to的缩写，表示受限制于，其后跟约束条件。上述模型中约束条件前两条表示资源约束，最后一条表示决策变量的非负约束。

一般来说，对于生产计划这类问题，可用如下线性规划模型近似表示

$\begin{align*} max \quad &\sum_{j=1}^{n}c_j x_j&\\ s.t. \quad &\sum_{j=1}^n a_{ij}x_j\leq b_i, i=1,2,\cdots ,m,&\\ &x_j \geq 0, j=1,2,\cdots ,n. \end{align}$

当然线性规划模型可以远比以上模型复杂，需要根据具体问题特征进行建模。下面介绍求解线性规划模型的单纯形算法。

1. 单纯形算法解析

单纯形算法遵循“初始点——判优——改进”的优化模式。我们首先讨论“判优”，然后讨论“改进”，最后讨论“初始点”。

1.1 基本概念及原理解析

为了方便后续的讨论，需要先了解一些线性规划的表示形式、可行域、以及线性规划可行解的刻画等内容

1.1.1 线性规划标准形式

定义1： 线性规划的标准形式（standard form）是指满足如下四个条件的线性规划模型：

（1）所有决策变量的取值是非负的；

（2）除决策变量非负约束外的其他约束是等式约束；

（3）模型中目标函数需要极大化（也可以要求极小化）；

（4）等式约束中常数项位于等号的右端（称为右端项，right hand side）

例：一个线性规划模型的标准形式

线性规划模型标准形式的一般表达为

线性规划模型标准形式的矩阵表达为

$\begin{align*} max \quad & z=\boldsymbol{c}^{\rm T}\boldsymbol{x}\\ s.t. \quad & \boldsymbol{A}\boldsymbol{x} = \boldsymbol{b}\\ & \boldsymbol{x}\geq0 \end{}$

1.1.2 线性规划典范形式

定义2： 线性规划的典范形式（canonical form）是指满足如下四个条件的线性规划模型：

（1）所有决策变量的取值是非负的；

（2）除决策变量非负约束外的其他约束是等式约束，并且右端项是非负的；

（3）模型中目标函数需要极大化（也可以要求极小化）；

（4）在等式约束中存在一组与等式约束个数相等的决策变量，它们的系数构成系数矩阵的一个单位子矩阵。

例：一个线性规划模型的典范形式

线性规划模型典范形式的一般表达为

1.1.3 凸组合和凸锥组合

定义3： 给定 $m$ 个向量 $\boldsymbol{x^1,x^2,\cdots,x^m} \in \mathbb{R}^n$ 以及满足 $\sum_{i=1}^m \alpha_i =1$ 的非负实数 $\alpha_i \geq0, i=1,2,\cdots,m,$ 我们将向量 $\alpha_1 \boldsymbol{x^1}+\alpha_2 \boldsymbol{x^2}+\cdots+\alpha_m \boldsymbol{x^m}$ 称为 $\boldsymbol{x^1,x^2,\cdots,x^m}$ 的凸组合（convex combination），如果仅仅要求组合系数 $\alpha_i \geq0, i=1,2,\cdots,m,$ 那么向量 $\alpha_1 \boldsymbol{x^1}+\alpha_2 \boldsymbol{x^2}+\cdots+\alpha_m \boldsymbol{x^m}$ 称为 $\alpha_1 \boldsymbol{x^1}+\alpha_2 \boldsymbol{x^2}+\cdots+\alpha_m \boldsymbol{x^m}$ 的凸锥组合（convex conical combination）,也称为非负线性组合。

这里回顾一下线性规划的标准形式的矩阵表达式（这里我们要求目标函数极小化）

$\begin{align*} min \quad & z=\boldsymbol{c^{\rm{T}}x}\\ s.t. \quad & \boldsymbol{\rm{A}}\boldsymbol{x}=\boldsymbol{b}\\ & \boldsymbol{x}\geq \boldsymbol{0} \end{align}$

其中系数矩阵 $\boldsymbol{\rm{A}}\in\mathbb{R}^{m \times n}$ ，右端项 $\boldsymbol{b} \in \mathbb{R}^m$ ，目标函数的梯度向量 $\boldsymbol{c} \in \mathbb{R}^n$ ，决策变量 $\boldsymbol{x} \in \mathbb{R}^n$ 。线性规划的可行域实际上是由右端项 $\boldsymbol{b}$ 相对于系数矩阵 $\mathbf{A}$ 的列向量的凸锥组合系数 $\boldsymbol{x}$ 构成的。

定义4：设集合 $S \subseteq \mathbb{R}^n$ ，若 $\forall \boldsymbol{x}^1,\boldsymbol{x}^2 \in S$ 和 $\forall \alpha \in [0,1]$ ，有 $\alpha \boldsymbol{x}^1+(1-\alpha) \boldsymbol{x}^2 \in S$ ，则称 $S$ 为一个凸集（convex set）。