python求解线性规划问题———单纯形法（一）

单纯形法（一）

——————————————————————————
——————————————————————————
！！2021-10-18更新
这篇文写了挺久了，也有蛮多人在看，也有不少错误被提出来。
看着自己以前写的代码也很烂（也很累），所以稍作修改。
——————————————————————————
——————————————————————————

1、为什么叫单纯形法

• 单纯形是N 维空间中的N+1 个顶点的凸包，是一个多胞体：直线上的一个线段，平面上的一个三角形，三维空间中的一个四面体等等，都是单纯形。
• 可以证明线性规划问题如果存在可行域，那么可行域必然是个凸集，其最优解必然在顶点取到——单纯形。
• 单纯形法的基本原理就是从可行域的一个顶点出发，不断转轴到下一个顶点从而最终找到最优解。

2、单纯形法怎么用

单纯形法的一般解题步骤可归纳如下：

• 1、把线性规划问题的约束方程组表达成典范型（标准型）方程组，找出基本可行解作为初始基本可行解。
• 2、若基本可行解不存在，即约束条件有矛盾，则问题无解。
• 3、若基本可行解存在，从初始基可行解作为起点，根据最优性条件和可行性条件，引入非基变量取代某一基变量，找出目标函数值更优的另一基本可行解。
• 4、按步骤3进行迭代,直到对应检验数满足最优性条件（这时目标函数值不能再改善），即得到问题的最优解。
• 5、若迭代过程中发现问题的目标函数值无界，则终止迭代。

3、我们先讨论最简单的情况：初始基本可行解已知

e.g.
$$\begin{gathered} maxz=-2x_1+x_2 \\ s.t.\{\begin{array}{l}3x_1+2x_2+x_3=18\\ -x_1+4x_2+x_4=8\\ x_i\ge 0,i=1,2,3,4\end{array} \end{gathered}$$
可以很容易看出来$X=(0,0,18,8{)}^T$是一个可行解；基变量选取为$x_3,x_4$，可以开始单纯形表的迭代。

4、py代码部分（简单使用了numpy库与fractions库）

使用到的包

别名

a、获取所有的系数

def getinput():
    global m,n   #这两个变量其他函数里也需要调用
    string = input('''
    输入初始单纯形表形如
    例一：3 2 1 0 18;-1 4 0 1 8;-2 1 0 0 0
    例二：2 1 0 1 0 0 8;-4 -2 3 0 1 0 14;1 -2 1 0 0 1 18;6 -3 1 0 0 0 0
    例三：8 2 4 1 0 0 1;2 6 6 0 1 0 1;6 4 4 0 0 1 1;1 1 1 0 0 0 0
    前m行表示m个约束的增广矩阵，最后一行表示检验数
    输入：''')
    a = [list(map(eval,row.split())) for row in string.split(';')]
    matrix = np.array(a)
    m,n = matrix.shape
    n -= 1
    m -= 1
    print('\n\n输入的目标函数为')
    x = [f'{
     matrix[-1,j]}*x_{
     j+1}' for j in range(n)]
    print('max z = '+' + '.join(x))
    print('\n\n输入的方程为')
    for i in range(m):
        x = [f'{
     matrix[i,j]}*x_{
     j+1}' for j in range(n)]
        print(' + '.join(x),f'={
     matrix[i,-1]}'