一,线性规划标准形式
所以对于目标函数为max f(x),我们将其转化为求min -f(x),在结尾输出-f(x)即为所求;
对于A*x>=b,我们将其转化为-A*x<=-b。
二,问题求解
1,基于求解器
接下来对同种题用二-1,二-2分别求解,并做函数引入和介绍:
利用求解器求解的程序为:
2,基于问题求解
这里要用到优化问题的求解函数OptimizationProblem:
一个OptimizationProblem
对象说明一个优化问题,包括优化的变量、约束、目标函数以及目标是最大化还是最小化。使用 solve
求解完整的问题。
使用 optimproblem
创建一个 OptimizationProblem
对象:
prob = optimproblem('ObjectiveSense', 'max')
ObjectiveSense指示最小化或最大化,指定为 'minimize'
或 'maximize',
该属性影响 solve
的运行。可以使用短名称 'min'
表示 'minimize'
或 'max'
表示 'maximize'
。
Objective目标函数,可以在创建问题时加入目标函数,也可以在此后通过圆点表示法将目标函数加入问题中:
prob = optimproblem('Objective',5*brownies + 2*cookies)
% or
prob = optimproblem;
prob.Objective = 5*brownies + 2*cookies
OptimizationConstraint
优化约束,可以在创建问题时加入约束,或之后通过圆点表示法将约束加入问题中:
constrs = struct('TrayArea',10*brownies + 20*cookies <= traysize,...
'TrayWeight',12*brownies + 18*cookies <= maxweight);
prob = optimproblem('Constraints',constrs)
% or
prob.Constraints.TrayArea = 10*brownies + 20*cookies <= traysize
prob.Constraints.TrayWeight = 12*brownies + 18*cookies <= maxweight
对例题(1.1)基于问题的求解方法:
clc, clear
prob = optimproblem('ObjectiveSense', 'max')
c = [4;3]; b = [10;8;7];
a = [2,1;1,1;0,1]; lb = zeros(2,1);
x = optimvar('x',2,'LowerBound',0); %定义两个变量x1,x2,LowerBound下限为0,等价于题目中最后一个约束
prob.Objective = c'*x; %目标函数
prob.Constraints.con = a*x<=b; %约束
[sol, fval, flage, out] = solve(prob) %用solve求解,fval为结果
sol.x %显示决策变量x1,x2的值
基于问题求解可以用来解决大多的线性规划问题,而且他的约束,目标函数等表达的形式有很多,在此不再一一列举,都是基于基础的语法,大家可以多看代码,有自己的风格就好,其实花哨的格式都是一个目的。
三,可转化为线性规划的问题
clc, clear
c = [1:4]'; b = [-2,-1,-1/2]';
a = [1,-1,-1,1;1,-1,1,-3;1,-1,-2,3];
prob = optimproblem; %默认求max
u = optimvar('u',4,'LowerBound',0);
v = optimvar('v',4,'LowerBound',0);
prob.Objective = sum(c'*(u+v));
prob.Constraints.con = a*(u-v)<=b;
[sol,fval,flag,out]=solve(prob)
x = sol.u - sol.v
博客首发哈哈,博主也是暑假正式接触数学建模担任编程手,小白一名。想记录一下所学避免忘记,也希望能帮到大家。有问题欢迎评论区交流呀~