数学建模（二）：从线性规划到整数规划

&1.概论
1）定义：当一个规划问题中的变量至少有一个被限制为整数时，这个规划问题被称为⎡整数规划⎦，假如这个规划问题是一个⎡线性规划⎦，那这样的既是整数规划又是线性规划的问题我们把它称为⎡整数线性规划⎦。目前为我们流行的求解整数规划的方法，往往只适用于整数线性规划问题，尚未找到一种能够有效求解一切整数规划问题的方法。
2）分类：我们按照变量是否被全部限制为整数来对整数规划进行划分，如果变量被全限制为整数，我们把这样的规划叫做⎡纯（完全）整数规划⎦，否则称为⎡混合整数规划⎦。
3）整数规划特点：
1^。原线性规划有最优解，当决策变量被限制为整数后，会出现以下情况：
(i)原线性规划问题最优解全为整数，则整数规划问题与线性规划问题具有相同最优解，这种情况是最为简单的。
(ii)整数规划此时无可行解。

此时我们限制这个线性规划中的x₁,x₂都必须为整数，那么显然约束条件中的等号是无法成立的，此时的这个转化得到的整数规划是没有可行解的。
(iii)有最优解，但整数规划的最优解和线性规划的最优解不是同一个。

2^。整数线性规划的最优解，不能按照线性规划的实数最优解简单取整得到。
3）求解方法分类：
1^。分枝定界法——可求完全或混合整数线性规划；
2^。割平面法——可求完全或混合整数线性规划；
3^。隐枚举法——求解“0-1”整数规划：过滤隐枚举法和分枝隐枚举法。
4^。匈牙利法——解决指派问题（“0-1”规划的特殊情况）
5^。蒙特卡洛法——求解各种类型的规划。

&2.分枝界定法
对有约束条件的具有有限个可行解的最优化问题，把它所有的可行解空间进行系统的搜索。把全部可行解空间反复分割，称为分枝；把分割后的每个子集的解计算一个目标下界，称为定界。在每次分枝后，对界限超出已知当前得到的最优下界的子集不再分枝，称为剪枝。
设有最大化的整数规划问题A，与它相应的线性规划问题B，我们从解问题B开始，若其最优解不符合A的整数条件，那么B的最优目标函数必定是最优目标函数z^*的上界，而A的任意可行解的目标函数值是z^*的下界。逐步减小上界和下界，最终可以求得最优解。

(4.17后续待更新)
(i)在不考虑整数限制的情况下，我们将这个问题视为一个线性规划问题，有最优解x₁=4.8092,x₂=1.8168,z₁=355.8779
易得这个最优解是不符合整数条件的，于是z₁是题中整数规划的上界，而我们假若令x₁=0,x₂=0，明显是符合整数规划的一个可行解，并且此时z₂=0，于是z₂是这个整数规划问题的一个下界，即对于这个整数规划问题的最优解z^*来说，有z₂≤z^*≤z₁
(ii)因为x₁,x₂当前均为非整数，是不满足要求的，我们可以选择其中的一个决策变量进行分枝。假设选取x₁进行分枝，可以得到两个子集：
x₁≤[4.8092]=4，x₁≥[4.8092]+1=5；在这一步中我们就得到了两个子问题
子问题B₁:其他条件和题中给出条件相同，第三个约束条件改为0≤x₁≤4,x₂≥0
对于这样一个线性规划问题，我们易得它的最优解为x₁=4,x₂=2.1,z₁=349
子问题B₂:其他条件和题中给出条件相同，第三个约束条件改为
x₁≥5,x₂≥0 易得最优解为x₁=5,x₂=1.57,z₁=341.4
再定界：0≤z^*≤349
(iii)仍未得出整数规划最优解，于是我们继续分别对问题B₁和B₂进行分枝，得到问题B₁₁,B₁₂,B₂₁和B₂₂，前两个是问题B₁得到的子问题，后两个是B₂得到的子问题
B₁₁,B₁₂在B₁的基础上对x₂分别限制为0≤x₂≤2,x₂≥3；
B₂₁,B₂₂在B₂的基础上对x₂分别限制为0≤x₂≤2,x₂≥3；
对这四个子问题分别求解有
B₁₁:x₁=4,x₂=2,z₁=340
B₁₂:x₁=1.43,x₂=3,z₁=327.14
B₂₁:x₁=5.44,x₂=1,z₁=308
B₂₂:无可行解
于是我们将B₂₁,B₂₂,B₁₂剪枝，断定原问题最优解为x₁=4,x₂=2,z₁=340
总结分枝定界法求解整数规划问题步骤为：
开始，将问题转化为线性规划问题，解线性规划问题有以下几种情况：
(a)线性规划问题无可行解，此时整数规划问题也没有可行解；
(b) 线性规划问题有最优解，并且符合整数规划问题的整数条件，则两问题最优解相同；
©线性规划问题有最优解，但不符合整数规划问题的整数条件；
于是©中用观察法找一个整数规划问题的可行解作为下界，以线性规划问题的目标函数的最优解代入得到的值作为上界，进行分枝、定界、比较、剪枝迭代。

&3.0-1型整数规划
它是整数规划中的一种特殊情形，它的决策变量x_j只能取0或者1，我们在这里先介绍这种变量在什么问题中会使用
1）引入0-1变量的实际问题

我们令x_i(i=1,2,…,7)为0-1变量，当A_i点被选中时，x_i取值为1，否则取值为0；于是问题可以被表述为

还有相互排斥的约束条件，以及关于固定费用的问题，都可以使用0-1型整数规划模型解决，这里不再赘述；
2）0-1型整数规划解法之一（过滤隐枚举法）
对于0-1型整数规划最容易想到的解法，当然是枚举法，当一个0-1型整数规划有n个变量时，需要检查2ⁿ次，对于n较大的情况，这么做效率是很低的；前面所说的分枝定界法，实际上就是一种隐枚举法；下面举例说明0-1型整数规划隐枚举法

(i) 先试探性求一个可行解，易看出 ( x₁ , x₂ , x₃ ) = (1,0,0) 满足约束条件，故为一个可行解，且z = 3。
(ii) 因为是求极大值问题，故求最优解时，凡是目标值 z < 3 的解不必检验是否
满足约束条件即可删除，因它肯定不是最优解，于是应增加一个约束条件(目标值下界);
(iii) 改进过滤条件。
(iv) 由于对每个组合首先计算目标值以验证过滤条件，故应优先计算目标值 z 大的组合，这样可提前抬高过滤门槛，以减少计算量。
这种方法相比较于枚举法，只能说是有些许提升。

&4.蒙特卡洛法
蒙特卡洛法实际上就是一种随机模拟的方法，其实就是通过随机采样来解决问题，获得的结果不一定是最优的，但是是可以近似最优的。

假如我们使用显枚举法，则需要计算(100)⁵=10¹⁰个值，但假如我们只随机抽取10⁶个点进行计算，由此得到一个最大值，这个最大值的可信度是多少呢？
我们可以假设需要近似的最大值占所有值的0.01，则在计算了10⁶个点后，有至少一个点位于近似的最优解区域的概率为1-(1-0.01)^1000000=0.99…9999(100多位)，可以看到，这种方法得出的结果是具有很强的可信度的。接下来只需要看我们得到的近似最优解是否符合约束条件，如果不符合，可以增大采样的样本量，并重新进行随机过程。