零基础上手线性规划问题

线性规划

要求：

• 写出线性规划函数

• 利用工具求解

本质上是极值问题

三要素：

• 决策变量 问题的求解就是找出决策变量的最优值
• 约束条件 范围意义
• 目标函数 关于决策变量的某个函数

最优解也可能不存在，这对应于两种可能

• 该线性规划本身不可行（可行区域为空）
• 约束条件过松，导致可行区域无界

单纯形法求解线性规划

算法从一个顶点开始，不断地重复地寻找目标函数值较高的邻居顶点，并向前移动，一旦再也找不到更高地邻居，结束计算

只适用于简单的线性规划问题，可能有限于局部最优解

线性规划问题的标准型是：

• 目标函数的最大约束

max（把min转换成max——两边添加负号）

• 等式约束

保持等号

• 非负约束

右端常量b为非负数 / 决策变量非负

求目标的最小值 F=-f

约束条件为不等式，引入一个非负变量X_n+i ，转化为线性等式，其中X_n+i为松弛变量

如有b_i <= 0 可在两边同乘 -1

如果有某个变量X_j无非负约束 可引进非负变量x_j^’ ,x_j^’’ ，令X_j = X_j^’ - X_j^’’ 代入到约束条件和目标函数中

用matlab求解线性规划问题

a.m 为matlab文件 不能命名为1.m

函数为：linprog

x = linprog(c,A,b,Aeq,beq,vLB,vUB)

c 为目标函数的系数向量

A为约束条件构成的向量系数矩阵，每一行用；隔开

b为 系数构成的列向量 用；隔开

Aeq =[] ; beq =[]

vlb= vub=

试用模型为：

​ min = Z = c^TX

s.t. AX <= b

​ VLB <= X <= VUB

注意分母上不要出现决策变量

方法：进行变形

用python求解线性规划问题

scipy.optimize.linprog(c,A_ub=None,b_ub=None,A_eq=None,b_eq=None,bounds=None,method=‘simplex’, callback=None,options=None)

#导包 
from scipy import optimize
import numpy as np
#确定c，A，b，Aeq，beq
c = np.array([])
A = np.array([[],[],[],[]])  #两层[[]]
b = np.array([[]])
Aeq = np.array([]) 
beq = 
x1=(0,None)
x2=(0,None)

#求解 bounds 为界限
x = optimize.linprog(c,A,b,Aeq,beq,bounds = (x1,x2,x3,x4,x5,x6))
print(x)