单纯形法

最新推荐文章于 2022-08-07 20:28:31 发布

skycrygg

最新推荐文章于 2022-08-07 20:28:31 发布

阅读量5.5k

点赞数 6

分类专栏：运筹学笔记

原文链接：https://mp.weixin.qq.com/s/7xv9runzEGblvDi40ismBQ

版权

运筹学笔记专栏收录该内容

28 篇文章 39 订阅

订阅专栏

转载自：https://mp.weixin.qq.com/s/7xv9runzEGblvDi40ismBQ

线性规划（Linear programming, 简称LP）是运筹学中研究较早、发展较快、应用广泛、方法较成熟的一个重要分支，它辅助人们进行科学管理、寻找线性约束条件下线性目标函数的极值。它广泛应用于军事作战、经济分析、经营管理和工程技术等领域，为合理地利用有限的人力、物力、财力等资源做出最优决策，提供科学依据。

标准式VS矩阵式

标准式

线性规划问题必须有一个标准形式，主要包括以下三个特征：

1）目标函数统一为求极大值(或极小值)；

2）所有约束条件（除变量的非负条件外）必须都是等式，约束条件右端常数项(right-hand-side)b_i必须全为非负值；

3）所有变量的取值必须全为非负值。

下面的模型即为线性规划问题的标准形式：

s.t.括号内的内容是约束条件和变量的非负约束条件，字母代表的含义分别是：

下面模型即为标准形式的展开型：

可行解与最优解

若找到(x_1, x_2 ,..., x_n)的值满足所有约束条件，且每个变量的值非负，则(x_1, x_2 ,..., x_n)称为线性规划问题的可行解。使目标函数值达到最大值（或最小值）的可行解即为该问题最优解，求解线性规划问题的目标就是要找出目标函数的最优解。

如何将目标函数转化为标准型

因此，在用单纯形法求解前，需要将模型转化为标准形式。

这个过程包括四个部分的转换：

1. 目标函数的转换：

统一求极大值，若是求极小值，则可将下面的式子乘以（-1）。即：

转化为：

2. 变量的转换：

（1）对于已经是大于等于零的变量 x_j ≥ 0 不做变化；

（2）对于小于等于零的变量 x_j，取负号令其变为大于等于零的变量，即若 x_j ≤ 0，则定义新变量x_j' = -x_j，x_j' ≥ 0；

（3）若 x_j 取值无约束，可令两个新的非负变量x_j', x_j'', 然后用x_j = x_j' - x_j''替换原问题中的x_j。

3. 约束条件的右端项常数的转换：

b_i < 0 时，只需将等式或不等式两端同乘（-1）；

4. 约束条件的转换：

将所有不等式全部转换为等式：

对于“≤ ”型约束加入一个变量 x_s，x_s ≥ 0；

对于“≥ ”型约束则减去一个变量 x_s，x_s ≥ 0。

加到原约束条件中的变量，称为松弛变量，在实际问题中它表示未被充分利用的资源或缺少的资源，所以在引入模型后它们在目标函数中的系数均为零。

给定线性模型的标准形式，为了构造出初始基变量，约束条件还可能需要加上人工变量。人工变量最终必须等于0才能保持原问题性质不变。为保证人工变量为0，在目标函数中令其系数为M。M为无限大的正数，这是一个惩罚项，倘若人工变量不为零，则目标函数就永远达不到最优，所以必须将人工变量逐步从基变量中替换出去。如若到最终表中人工变量仍没有置换出去，那么这个问题就没有可行解，当然亦无最优解。

将上述的线性规划问题转化为标准形式，其结果应如下：

注：x_4, x_5是将自由变量x_3转化为非负变量而引入的新变量，x_6, x_7是松弛变量，x_8, x_9是人工变量。

矩阵式

因为表达方式简单，单纯形法的表示与定理的说明往往使用矩阵形式。上述标准形式的矩阵形式表示如下：

矩阵A如下式：

A为m×n矩阵。假设A的秩为m，即假设不存在冗余的约束条件，则m>n时，因为方程数量比变量数目多，必定有多个可行解，即可利用单纯形法来计算最优解。

单纯形法的算法步骤

1. 确定初始可行基和初始基可行解，

建立初始单纯形表；

2. 最优性检验 若在当前表的目标函数对应的行中，所有非基变量的系数非正，则可判断得到最优解，可停止计算。否则转入下一步；

3. 若单纯形表中1至m列构成单位矩阵，在j=m+1至n列中，若有某个对应x_k的系数列向量 P_k ≤ 0，则此问题是无界，停止计算。否则，转入下一步；

4. 挑选目标函数对应行中系数最大的非基变量作为进基变量。假设x_k为进基变量，按θ规则[1]计算，可确定x_l为出基变量，转下一步；

5. 以a_lk为主元素进行迭代（即用高斯消去法或称为旋转运算），把x_k所对应的列向量进行变换[2]；

6. 重复2-5步，直到所有检验数非正后终止，得到最优解。

[1] θ规则

其中b_i是当前表中的右手项，a_ik即为在第i个约束中变量k的系数。

[2] x_k列变换

单纯形法举例

对于线性规划问题：

加入松弛变量，转化为标准形式得：

于是我们可以构造单纯形表，其中最后一行有星号的列为基变量。初始基可行解为(x_4, x_5, x_6, x_7)。

在单纯形表中，我们发现非基变量x的系数大于零，因此可以通过增加这些x的值，来使目标函数增加。

上表中c_2最大，因此我们选择x_2作为新的基变量。按照θ规则，x_7出基。通过高斯变换得到的新的单纯形表为：

继续计算，我们得到：

此时我们发现，所有非基变量的系数全部非正，即增大任何基变量的值并不能使得目标函数增大。于是我们可以断定该问题的最优解是z = 32, X = (0, 1, 3, 0, 2, 0, 0).

/*
	Author：Sun Jiaxuan
	School：Huazhong University of Science and Technology
	Compiler:TDM-GCC 4.7.1 64-bit Release
	Time:2017-09-25 16:30
*/
	
#include <cstdio>
#include <climits>
#include <cstdlib>
#include <iostream>
#include <cstring>
#include  <vector>
#include  <fstream>
#include <set>
using namespace std;
vector<vector<double> > Matrix;//储存约束方程的系数矩阵 
double Z;
set<int> P;//迭代器 
size_t cn, bn;

bool Pivot(pair<size_t, size_t> &p)//返回0表示所有的非轴元素都小于0
{
    int x = 0, y = 0;
    double cmax = -INT_MAX;
    vector<double> C = Matrix[0];
    vector<double> B;
    for( size_t i = 0 ; i < bn ; i++ )
    {
        B.push_back(Matrix[i][cn-1]);
    }
    
    for( size_t i = 0 ; i < C.size(); i++ )//在非轴元素中找最大的c
    {
        if( cmax < C[i] && P.find(i) == P.end())
        {
            cmax = C[i];
            y = i;
        }
    }
    if( cmax < 0 )
    {
        return 0;
    }

    double bmin = INT_MAX;//根据θ规则，求最小检验数，确定转出变量 
    for( size_t i = 1 ; i < bn ; i++ )
    {
        double tmp = B[i]/Matrix[i][y];
       if( Matrix[i][y] != 0 && bmin > tmp )
       {
           bmin = tmp;
           x = i;
       }
    }

    p = make_pair(x, y);//存储转入转出变量 

    for( set<int>::iterator it = P.begin() ; it != P.end() ; it++) 
    {
        if( Matrix[x][*it] != 0 )
        {
            P.erase(*it);
            break;
        }
    }
    P.insert(y);
    return true;
}

void pnt()//输出原始系数矩阵 
{
    for( size_t i = 0 ; i < Matrix.size() ; i++ )
    {
        for( size_t j = 0 ; j < Matrix[0].size() ; j++ )
        {
            cout<<Matrix[i][j]<<"\t";
        }
    cout<<endl;
    }
    cout<<"result z:"<<-Matrix[0][cn-1]<<endl;
}

void Gaussian(pair<size_t, size_t> p)//高斯行变换
{
    size_t  x = p.first;
    size_t y = p.second;
    double norm = Matrix[x][y];
    for( size_t i = 0 ; i < cn ; i++ )//主行归一化
    {
        Matrix[x][i] /= norm;
    }
    for( size_t i = 0 ; i < bn && i != x; i++ )
    {
        if( Matrix[i][y] != 0)
        {
            double tmpnorm = Matrix[i][y];
            for( size_t j = 0 ; j < cn ; j++ )
            {
                Matrix[i][j] = Matrix[i][j] - tmpnorm * Matrix[x][j];
            }
        }
    }
}

void solve()
{
    pair<size_t, size_t> t;
    while(1)
    {

        pnt();
        if( Pivot(t) == 0 )//已得到最优解
        {
            return;
        }        
        cout<<t.first<<" "<<t.second<<endl;
        for( set<int>::iterator it = P.begin(); it != P.end()  ; it++ )
        {
            cout<<*it<<" ";
        }//输出迭代后的矩阵
        cout<<endl;
        Gaussian(t);
    }
}

int main()
{
    ifstream fin;
    fin.open("sample.txt");//文件读入。在代码同一目录下创建sample的记事本文件，格式见后面批注
    fin>>cn>>bn;
    for( size_t i = 0 ; i < bn ; i++ )
    { 
        vector<double> vectmp;
        for( size_t j = 0 ; j < cn ; j++)
        {
            double tmp = 0;
            fin>>tmp;
            vectmp.push_back(tmp);
        }
        Matrix.push_back(vectmp);//初始矩阵存储
    }

    for( size_t i = 0 ; i < bn-1 ; i++ )
    {
        P.insert(cn-i-2);
    }
    solve();
}
/
//input:
///* Variables */
//var x1 >= 0;
//var x2 >= 0;
//var x3 >= 0;
///* Object function */
//maximize z: x1 + 14*x2 + 6*x3;
///* Constrains */
//s.t. con1: x1 + x2 + x3 <= 4;
//s.t. con2: x1  <= 2;
//s.t. con3: x3  <= 3;
//s.t. con4: 3*x2 + x3  <= 6;
//end;
/
//sample.txt文件示例:
//8 5
//1 14 6 0 0 0 0 0
//1 1 1 1 0 0 0 4
//1 0 0 0 1 0 0 2
//0 0 1 0 0 1 0 3
//0 3 1 0 0 0 1 6
/

skycrygg

关注

6
点赞
踩
17

收藏

觉得还不错? 一键收藏
0
评论
单纯形法

转载自：https://mp.weixin.qq.com/s/7xv9runzEGblvDi40ismBQ线性规划（Linear programming, 简称LP）是运筹学中研究较早、发展较快、应用广泛、方法较成熟的一个重要分支，它辅助人们进行科学管理、寻找线性约束条件下线性目标函数的极值。它广泛应用于军事作战、经济分析、经营管理和工程技术等领域，为合理地利用有限的人力、物力、财力等资源做出最优决策，提供科学依据。标准式VS矩阵式标准式线性规划问题必须有一个标准形式，主要包括以下三个.
复制链接

扫一扫