【运筹学】线性规划 单纯形法原理 ( 构造初始可行基 | 基变换 | 最优性检验 | 解的判别 | 检验数 | ( 唯一 / 无穷多 ) 最优解判别定理 | 无界解判别定理 )

1 . 前置概念

---

1.1 线性规划向量形式

---

线性规划 向量形式 : 其中 矩阵 $C$ , 矩阵 $X$ , 矩阵 $b$ 与上面的矩阵形式内容一致 , 本公式之比上个公式多了一个 向量 $P_j$ ;

$$\begin{array}{l}maxZ=CX\\ \\ s.t\{\begin{array}{ll}{\sum }_{j=1}^n{P}_j{x}_j=b& \\ & \\ x_j\ge 0& j=1,2,\cdots ,n\end{array}\end{array}$$

其中

$$\sum _{j=1}^n{P}_j{x}_j=b$$

展开后是 :

$$P_1{x}_1+P_2{x}_2+\cdots +P_n{x}_n=b$$

其中的 $P_j$ 为 :

$$\begin{gathered} P_j=\left[\begin{array}{c} \\ \\ a_{1j}\\ \\ a_{2j}\\ \\ ⋮\\ \\ a_{mj}\\ \end{array}\right] \end{gathered}$$

举例 对应的 $P_1$ 就是

$$\begin{gathered} P_1=\left[\begin{array}{c} \\ \\ a_{11}\\ \\ a_{21}\\ \\ ⋮\\ \\ a_{m1}\\ \end{array}\right] \end{gathered}$$

对应的 $P_n$ 就是

$$\begin{gathered} P_n=\left[\begin{array}{c} \\ \\ a_{1n}\\ \\ a_{2n}\\ \\ ⋮\\ \\ a_{mn}\\ \end{array}\right] \end{gathered}$$

1.2 可行基概念

---

1 . 基的概念

系数矩阵 : 约束方程的 系数 可以组成一个 $m\times n$ 阶 矩阵 , 即 $m$ 行 , $n$ 列 , 代表 有 $m$ 个约束方程 , 每个约束方程有 $n$ 个变量 ;

基 :

• ① 矩阵秩 : 设 $A$ 为上述 $m\times n$ 阶系数矩阵 $(m<n)$ , 其秩 为 $m$ ; ( 该矩阵的秩的最大取值是 $min(m,n)$ )
• ② 满秩矩阵 : 矩阵 $B$ 是矩阵 $A$ 的 $m$ 阶满秩子矩阵 , 其中 $|B|\ne 0$ ,
  $$B=\left[\begin{array}{cccc}& a_{11}& \cdots & a_{1m}\\ & & & \\ & ⋮& ⋮& ⋮\\ & & & \\ & a_{m1}& \cdots & a_{mm}\end{array}\right]=(p_1\cdots p_m)$$
• ③ 基引入 : 则称 $B$ 是线性规划问题的 一个基 ;

2 . 基解概念

基解 :

• ① 确定基 : 确定一个基 $B$ , 该矩阵是系数矩阵 $A$ 的满秩子矩阵 , 即一个 $m\times m$ 阶矩阵 ;
• ② 处理非基变量 : 将非基变量 设置成 $0$ ;
• ③ 解出基解 : 将 基 代入约束方程 , 解出对应的变量值 , 即基解 ;
• ④ 基解个数 : 基解中变量取值 非 $0$ 个数 , 小于等于 约束方程个数 $m$ , 基解的总数 不超过 $C_n^m$

3 . 可行基概念

基可行解 : 解出的基解 , 有一部分满足 变量的 非负 约束 , 即解大于等于 $0$ , 这些解称为基可行解 ;

可行基 : 基可行解 对应的基 , 称为 可行基 ;

详细的概念参考 : 【运筹学】线性规划问题的解 ( 可行解 | 可行域 | 最优解 | 秩的概念 | 极大线性无关组 | 向量秩 | 矩阵秩 | 基 | 基变量 | 非基变量 | 基解 | 基可行解 | 可行基 )

1.3 线性规划求解步骤

---

1 . 线性规划向量形式为 :

$$\begin{array}{l}maxZ=CX\\ \\ s.t\{\begin{array}{ll}{\sum }_{j=1}^n{P}_j{x}_j=b& \\ & \\ x_j\ge 0& j=1,2,\cdots ,n\end{array}\end{array}$$

2 . 找可行基 : 使用单纯形法求解最优解的第一个步骤 , 就是找到一个可行基 ;

3 . 构造初始可行基方法 : 已知一个线性规划问题的标准数学模型 , 构造初始可行基的三种方法 :

• ① 观察 : 通过观察 , 直接从系数矩阵中发现一个可行基 , 即 $m$ 阶方阵 $|B|\ne 0$ ;
• ② 松弛变量法 : 如果约束方程是 $\le$ 约束 , 那么加入松弛变量 , 这些松弛变量的每个系数的列向量都是单位向量 ;
• ③ 人工变量法 : 如果约束方程式 $\ge$ 约束 , 那么需要加入人工变量 ;

线性规划问题求解 , 第一步就是根据上面三种方法 , 构造出初始的可行基 ;

4 . 求线性规划最优解流程 : 先构造初始可行基 , 然后解出该解 , 判定是否是基可行解 , 如果是基可行解 , 那么判断该解是否是最优解 , 如是 , 那么该解就是最优解 , 如果不是 , 那么继续迭代 ;

5 . 这里就两个问题 : ① 如何判定该解是否是最优解 , ② 如何进行迭代 ;

2 . 构造初始可行基

---

2.1 构造初始可行基 并 解出基解

---

1 . 前提条件 : 先做一个假设 , 假设由一个线性规划问题 , 有 $m$ 个约束方程 , 有$n$ 个决策变量 , $x_1,x_2,\cdots ,x_m$ ; 这 $m$ 个约束方程都是 $\le$ 约束 ;

2 . 构造可行基方法 ( 添加松弛变量 ) : 给所有的约束方程 , 添加一个松弛变量 , 即需要添加 $m$ 个松弛变量 ;

线性规划的约束方程为 : 该约束方程有 $n-m$ 个决策变量 , 有 $m$ 个约束不等式 ;

$$s.t\{\begin{array}{l}{a}_{11}{x}_1+a_{12}{x}_2+\cdots +a_{1n}{x}_{n-m}\le b_1\\ \\ a_{21}{x}_1+a_{22}{x}_2+\cdots +a_{2n}{x}_{n-m}\le b_2\\ \\ \cdots \cdots \cdots \\ \\ a_{m1}{x}_1+a_{m2}{x}_2+\cdots +a_{mn}{x}_{n-m}\le b_m\\ \\ x_1,x_2,\cdots ,x_{n-m}\ge 0\end{array}$$

由于是 $\le$ 约束 , 添加松弛变量 , 有 $m$ 个不等式 , 需要添加 $m$ 个松弛变量 ; 添加松弛变量后 , $\le$ 不等式变成 等式 :

$$s.t\{\begin{array}{llcc}{x}_1& & +a_{1m+1}{x}_{m+1}+a_{1m+2}{x}_{m+2}+\cdots +a_{1n}{x}_n=b_1& \\ & & & \\ & x_2& +a_{2m+1}{x}_{m+1}+a_{2m+2}{x}_{m+2}+\cdots +a_{2n}{x}_n=b_2& \\ & & & \\ \cdots \cdots \cdots & & & \\ & & & \\ & & x_m+a_{mm+1}{x}_{m+1}+a_{mm+2}{x}_{m+2}+\cdots +a_{mn}{x}_n=b_m& \\ & & & \\ x_1,x_2,\cdots ,x_n\ge 0& & & \end{array}$$

修改下标标号 : 上述式子将添加的松弛变量的下标修改成了 $x_1\cdots x_m$ , 上述公式中下标的次序可以修改 ;

3 . 构造初始可行基 : 该初始可行基 , 假设由 系数矩阵 前面的 $m$ 个向量组成的 方阵 ; 该方阵是 $x_1\cdots x_m$ 变量的系数矩阵 ;

该 $x_1\cdots x_m$ 就是基变量 ; 该基变量的系数 $(P_1,\cdots ,P_m)$ 就是初始可行基 ;

基是在 线性规划 约束方程组 的系数矩阵 中 的一个 $m$ 阶方阵 , 其行列式不等于 $0$ , 行列式不等于 $0$ 的方阵最基本最简单的就是单位阵 , 为了讨论方便 , 假设该初始可行基是单位阵 ; 即构造以下初始可行基 :

$$B=\left[\begin{array}{cccccc}& P_1& P_2& \cdots & P_m& \end{array}\right]=\left[\begin{array}{cccccc}& 1& 0& \cdots & 0& \\ & 0& 1& \cdots & 0& \\ & ⋮& ⋮& & ⋮& \\ & 0& 0& \cdots & 1& \end{array}\right]$$

初始可行基 : 上述的松弛变量的系数矩阵 , 刚好构成一个 $m\times m$ 阶 的 单位阵 , 该单位阵是一个可行基 , 因为每个变量只添加一个松弛变量 , 其它 $m-1$ 个不等式添加的对应松弛变量在本式子中 系数肯定是 $0$ ;

如在第一个约束方程中 , 添加了 $x_1$ , 那么在第一个约束方程中 , 对应的 $x_2\cdots x_m$ 这 $m-1$ 个变量的系数肯定是 $0$ ;

4 . 初始基可行解 : $X^{(0)}=(x_1^0,x_2^0,\cdots ,x_m^0,0,\cdots ,0{)}^T$ , 其中右上角的 $0$ 表示这是第 $0$ 次迭代 , 是初始基可行解 ;

3 . 基变换

---

3.1 基变换 概念

---

1 . 基变换 引入 : 如果初始可行基的基可行解不是最优解 , 那么就需要进行迭代 , 迭代 就是进行 基变换 ; 整个单纯形法的迭代就是不停的进行基变换 ;

2 . 基变换 概念 : 如果两个基可行解相邻 , 两者可以变换 , 并且只能变换一个基变量 ;

举例 : 基可行解对应的基变量是 $x_1,x_2,x_3,x_4$ , 将其中的某一个迭代出来 , 使用 $x_5$ 替换其中的某一个 ;

3.2 线性规划 向量形式 按照基变量 非基变量 进行拆解

---

1 . 解 基可行解 方法 : 令所有的非基变量等于 $0$ , 可以得到基解 , 因为是单位阵 , 因此基解的取值是各自右端的常数值 $b_1\cdots b_m$ ; 即 $x_1=b_1,x_2=b_2,\cdots ,x_m=b_m$ , 这些值肯定大于 $0$ , 因此这些基解是基可行解 ;

2 . 初始基可行解 : $X^{(0)}=(x_1^0,x_2^0,\cdots ,x_m^0,0,\cdots ,0{)}^T$ , 其中右上角的 $0$ 表示这是第 $0$ 次迭代 , 是初始基可行解 ;

其中 $x_1^0$ 是对应基变量 $x_1$ 的解 , $x_m^0$ 是对应基变量 $x_m$ 的解 ;

3 . 这是线性规划的向量形式 :

$$\begin{array}{l}maxZ=CX\\ \\ s.t\{\begin{array}{ll}{\sum }_{j=1}^n{P}_j{x}_j=b& \\ & \\ x_j\ge 0& j=1,2,\cdots ,n\end{array}\end{array}$$

4 . 拆解约束方程 : 将上面的向量形式的 约束方程 , ${\sum }_{j=1}^n{P}_j{x}_j=b$ , 写成两部分 ;

• ① 前半部分 : ${\sum }_{i=1}^m{P}_i{x}_i$ , 由 $x_1\cdots x_m$ 基变量及其系数组成 ;
• ② 后半部分 : ${\sum }_{j=m+1}^n{P}_j{x}_j$ 由 $x_{m+1}\cdots x_n$ 组成 ;

3.3 初始基可行解 代入 拆解后的 线性规划 约束方程中

---

1 . 拆解后 线性规划的 向量形式为 :

$$\begin{array}{l}maxZ=CX\\ \\ s.t\{\begin{array}{ll}{\sum }_{i=1}^m{P}_i{x}_i+{\sum }_{j=m+1}^n{P}_j{x}_j=b& \\ & \\ x_j\ge 0& j=1,2,\cdots ,n\end{array}\end{array}$$

2 . 初始基可行解代入约束方程 : 将初始的基可行解 $X^{(0)}=(x_1^0,x_2^0,\cdots ,x_m^0,0,\cdots ,0{)}^T$ 代入上述约束方程 ;

其中 $x_1^0$ 是对应基变量 $x_1$ 的解 , $x_m^0$ 是对应基变量 $x_m$ 的解 ;

其中后半部分 ${\sum }_{j=m+1}^n{P}_j{x}_j$ 的变量是非基变量 , 都等于 $0$ , 其乘以系数后的结果也等于 0 , 因此有

$$\sum _{j=m+1}^n{P}_j{x}_j=0$$

在约束方程中可以直接消去 ; 约束方程变成如下形式 , 得到 :

$$\sum _{i=1}^m{P}_i{x}_i^0=b$$

3.4 系数矩阵的 增广矩阵 概念

---

1 . 线性规划 系数矩阵 的 增广矩阵 : 增广矩阵 就是 将 约束方程的右端项 $b_1$ 到 $b_m$ 常数 , 写到矩阵中 , 当做最右侧的向量 ;

2 . 下面是 线性规划标准形式的 约束方程 :
$$s.t\{\begin{array}{llcc}{x}_1& & +a_{1m+1}{x}_{m+1}+a_{1m+2}{x}_{m+2}+\cdots +a_{1n}{x}_n=b_1& \\ & & & \\ & x_2& +a_{2m+1}{x}_{m+1}+a_{2m+2}{x}_{m+2}+\cdots +a_{2n}{x}_n=b_2& \\ & & & \\ \cdots \cdots \cdots & & & \\ & & & \\ & & x_m+a_{mm+1}{x}_{m+1}+a_{mm+2}{x}_{m+2}+\cdots +a_{mn}{x}_n=b_m& \\ & & & \\ x_1,x_2,\cdots ,x_n\ge 0& & & \end{array}$$

3 . 增广矩阵是 :

$$\begin{array}{l}\left[\begin{array}{cccccccccc}& 1& 0& \cdots & 0& a_{1,m+1}& \cdots & a_{1j}& \cdots a_{1n}& b_1\\ & 0& 1& \cdots & 0& a_{2,m+1}& \cdots & a_{2j}& \cdots a_{2n}& b_2\\ & ⋮& ⋮& & ⋮& ⋮& & ⋮& ⋮& ⋮\\ & 0& 0& \cdots & 1& a_{m,m+1}& \cdots & a_{mj}& \cdots a_{mn}& b_m\end{array}\right]\end{array}$$

为该增广矩阵中的向量标号 $P_1$ 到 $P_n$ 方便下面讨论 ;

4 . 增广矩阵的前 $m$ 个向量 : $P_1$ 到 $P_m$ 是 基变量前的系数 , 基向量 , 也是 单位向量 :

$$\begin{array}{l}\left[\begin{array}{cccccc}& 1& 0& \cdots & 0& \\ & 0& 1& \cdots & 0& \\ & ⋮& ⋮& & ⋮& \\ & 0& 0& \cdots & 1& \end{array}\right]\end{array}$$

5 . 增广矩阵的 第 $m+1$ 到 $n$ 个向量 : $P_{m+1}$ 到 $P_n$ 是正常的列向量 , 写到 单位向量右侧 , 常数向量左侧 :

$$\begin{array}{l}\left[\begin{array}{cccccccc}& & a_{1,m+1}& \cdots & a_{1j}& \cdots a_{1n}& b_1& \\ & & a_{2,m+1}& \cdots & a_{2j}& \cdots a_{2n}& b_2& \\ & & ⋮& ⋮& & ⋮& ⋮& \\ & & a_{m,m+1}& \cdots & a_{mj}& \cdots a_{mn}& b_m& \end{array}\right]\end{array}$$

3.5 向量间的线性表达

---

6 . 向量之间的线性表达 : 使用 $P_1$ 到 $P_m$ 单位向量 表达 $P_j$ 向量 ;

$n$ 维的单位向量可以表示任何 $n$ 维向量 ;

表示公式 : 其中的 $P_j$ 向量在下面有解释
$$\begin{array}{lcl}{P}_j& =& a_{1j}{P}_1+a_{2j}{P}_2+a_{3j}{P}_3+\cdots +a_{mj}{P}_m\\ & & \\ & =& {\sum }_{i=1}^m{a}_{ij}{P}_i\end{array}$$

$a_{1j}{P}_1$ 计算 : 其中 $a_{1j}$ 是个常数 , $P_1$ 是个向量 , 运算方式就是 常数 乘以 向量中每个值 , 然后相加 , $P_1$ 中只有第一项是 1 , 其它项都是 $0$ , 因此结果是 $a_{1j}$ ;

$P_1$ 到 $P_m$ 单位向量是 :
$$\begin{array}{l}\left[\begin{array}{cccccc}& 1& 0& \cdots & 0& \\ & 0& 1& \cdots & 0& \\ & ⋮& ⋮& & ⋮& \\ & 0& 0& \cdots & 1& \end{array}\right]\end{array}$$

$P_j$ 向量是 :
$$\begin{array}{l}\left[\begin{array}{ccc}& a_{1j}& \\ & a_{2j}& \\ & ⋮& \\ & a_{mj}& \end{array}\right]\end{array}$$

7 . 线性表达移项 :

将上述线性表达式结果进行移项 :

$$\begin{array}{lcl}{P}_j& =& a_{1j}{P}_1+a_{2j}{P}_2+a_{3j}{P}_3+\cdots +a_{mj}{P}_m\\ & & \\ & =& {\sum }_{i=1}^m{a}_{ij}{P}_i\end{array}$$

移项后结果 :

$$P_j-\sum _{i=1}^m{a}_{ij}{P}_i=0$$

将上述式子左右两边乘以一个正数 $\theta$ :

$$\theta (P_j-\sum _{i=1}^m{a}_{ij}{P}_i)=0$$

3.6 将 向量线性表达结果 与 初始基可行解代入结果 结合

---

1 . 初始基可行解代入 拆解后的向量公式中 : 将线性规划 向量形式 根据 基向量 非基向量 进行拆解 , 并将初始基可行解代入到拆解后的约束方程中 , 结果是 :

$$\sum _{i=1}^m{P}_i{x}_i^0=b$$

2 . 向量间线性表达最终结果是 :

$$\theta (P_j-\sum _{i=1}^m{a}_{ij}{P}_i)=0$$

3 . 向量线性表达结果 与 初始基可行解代入结果 结合 : 将 上述 二者结合这样我们得到了下面的方程组 :

$$\{\begin{array}{l}\theta (P_j-{\sum }_{i=1}^m{a}_{ij}{P}_i)=0\\ \\ {\sum }_{i=1}^m{P}_i{x}_i^0=b\end{array}$$

4 . 将方程组两边分别相加 并计算 :

$$\begin{array}{lcl}\theta (P_j-{\sum }_{i=1}^m{a}_{ij}{P}_i)+{\sum }_{i=1}^m{P}_i{x}_i^0& =& 0+b\\ & & \\ \theta P_j-\theta {\sum }_{i=1}^m{a}_{ij}{P}_i+{\sum }_{i=1}^m{P}_i{x}_i^0& =& b\\ & & \\ {\sum }_{i=1}^m(x_i^0-\theta a_{ij})P_i+\theta P_j& =& b\\ & & \end{array}$$

最终结果是 :

$$\sum _{i=1}^m(x_i^0-\theta a_{ij})P_i+\theta P_j=b$$

3.7 分析初始的约束方程

---

上面得到式子 :

$$\sum _{i=1}^m(x_i^0-\theta a_{ij})P_i+\theta P_j=b$$

该结果 正好是 满足 约束方程的 一个解 ; 初始的约束方程组为 :

$$\sum _{j=1}^n{P}_j{x}_j=b$$

展开后为 :

$$P_1{x}_1+P_2{x}_2+\cdots +P_j{x}_j=b$$

都是 $x_j$ 取某些值 , 满足 让 ${\sum }_{j=1}^n{P}_j{x}_j$ 结果等于 $b$ ;

只要满足让 $P_j$ 乘以一个数 x_j , 将这些 $P_j{x}_j$ 相加 , 结果等于 $b$ , 那么这些 $x_j$ 就是其中的一个解 ;

这个解如果都大于 0 , 那么这些解都是可行解 ;

3.8 分析 经过 方程组变换后的 式子 引入 变换后的 基可行解

---

1 . 向量形式分析 :

将 向量线性表达结果 与 初始基可行解代入结果 结合 经过各种变换后的 最终结果是 :

$$\sum _{i=1}^m(x_i^0-\theta a_{ij})P_i+\theta P_j=b$$

由此发现 , 该形式 与 初始的线性规划向量形式的 约束方程 的 形式 几乎一致 :

$$\sum _{j=1}^n{P}_j{x}_j=b$$

2 . 展开式分析 :

将上面的

$$\sum _{i=1}^m(x_i^0-\theta a_{ij})P_i+\theta P_j=b$$

展开后为 :
$$(x_1^0-\theta a_{1j})P_1+(x_2^0-\theta a_{2j})P_2+\cdots +(x_i^0-\theta a_{ij})P_i+\theta P_j=b$$

线性方程标准形式展开后的结果 :

$$P_1{x}_1+P_2{x}_2+\cdots +P_j{x}_j=b$$

3 . 关于解的说明 :

$P_1,P_2,\cdots ,P_i,P_j$ 都是系数向量 , 前面乘以的数就是 对应的解 ;

${\sum }_{i=1}^m(x_i^0-\theta a_{ij})P_i+\theta P_j$ 式子中 $P_i$ 和 $P_j$ 系数相乘的取值就是满足 约束方程 ${\sum }_{j=1}^n{P}_j{x}_j=b$ 的一个解 ;

即 :

系数向量 $P_1$ 对应的解是 $(x_1^0-\theta a_{1j})$ ;
系数向量 $P_2$ 对应的解是 $(x_2^0-\theta a_{2j})$ ;
$⋮$
系数向量 $P_i$ 对应的解是 $(x_i^0-\theta a_{ij})$ ;
系数向量 $P_j$ 对应的解是 $\theta$ ;

第一次迭代后的 解 为 :

$$X^{(1)}=(x_1^0-\theta a_{1j},x_2^0-\theta a_{2j},\cdots ,x_m^0-\theta a_{mj},0,\cdots ,\theta ,\cdots ,0{)}^T$$

初始线性规划的基可行解为 $X^{(0)}=(x_1^0,x_2^0,\cdots ,x_m^0,0,\cdots ,0{)}^T$ ;

3.9 $\theta$ 的取值分析

---

1 . 可行解的非负约束 : 线性规划 解出的基解 , 满足约束方程组的另外一个条件是 , 这一组解是基可行解 , 即这些解都要大于等于 0 , 要满足解的非负约束 ;

满足所有约束条件的解才是基可行解 , 约束条件除了满足约束方程约束外 , 还要满足变量的非负约束 ;

2 . 分析解 : 下面是第一次迭代出的解 , 如果下面的解都是可行解 , 则所有的解必须大于等于 0 ;

$$X^{(1)}=(x_1^0-\theta a_{1j},x_2^0-\theta a_{2j},\cdots ,x_m^0-\theta a_{mj},0,\cdots ,\theta ,\cdots ,0{)}^T$$

上述解都必须大于等于 $0$ , 才是可行解 , 因此有下面的式子 :

$$\begin{array}{lc}{x}_i^0-\theta a_{ij}\ge 0& i=1,2,\cdots ,m\\ & \\ x_i^0\ge \theta a_{ij}& \end{array}$$

因为 $\theta$ 是正数 , 可以在等式两边都除以 $\theta$ , 得到下面的表达式 :

$$a_{ij}\le \frac{x_i^0}{\theta }$$

$a_{ij}$ 要满足上面的条件 , 该解才是可行解 ;

3 . $a_{ij}$ 取值有两种情况 :

• ① $a_{ij}\le 0$ ;
• ② $a_{ij}>0$ ;

下面会 根据 $a_{ij}$ 的取值 , 分情况讨论 $\theta$ 取值 ;

4 . $a_{ij}\le 0$ 的情况 :

如果 $a_{ij}\le 0$ , $a_{ij}\le \frac{x_i^0}{\theta }$ 肯定成立 , 因为 $x_i^0$ 和 $\theta$ 都是整数 , 两个数相除 , 肯定也是正数 , 正数肯定大于负数 ;

令 $m$ 个约束不等式 至少有一个等号是成立的 , 当 $a_{ij}\le 0$ 时 , 式子 $a_{ij}\le \frac{x_i^0}{\theta }$ 肯定成立 ;

5 . $a_{ij}>0$ 时的情况 :

假设 $a_{ij},a_{2j},\cdots ,a_{mj}$ 中最小的是第 $l$ 个 , 即 $a_{lj}$ , 那么有下面的式子 :

$$\begin{gathered} \theta =min\left\{\begin{array}{c} \\ \\ \frac{x_i^0}{a_{ij}}|a_{ij}>0\\ \end{array}\right\}=\frac{x_l^0}{a_{lj}} \end{gathered}$$

令 $\theta$ 是 $\frac{x_i^0}{a_{ij}}$ 中最小的那个值 , 当 $i=l$ 时 , 该值最小 ;

这样可以确保 :

• ① 当 $x_i^0-\theta a_{ij}=0$ 时 , $i=l$ ;
• ② 当 $x_i^0-\theta a_{ij}\ge 0$ 时 , $i\ne l$ ;

这个 $\theta$ 是单纯形法中最重要的 最小比值规则 ;

将上述 $\theta$ 代入初始的基解 $X^{(1)}$ 得到的就是可行解 : 下面的解都是可行解 ;

$$X^{(1)}=(x_1^0-\theta a_{1j},x_2^0-\theta a_{2j},\cdots ,x_m^0-\theta a_{mj},0,\cdots ,\theta ,\cdots ,0{)}^T$$

3.10 验证基矩阵 及 初等行变换

---

1 . 判定解是否可行 : 上面的解是可行解 , 下面需要验证这些可行解对应的向量是否能组成一个基 , 即 判定这个解是否是基可行解 ;

2 . 向量替换 : 将第一次变换的 $P_j$ 放到原基中 , 原来的初始基是单位阵 , 即 $P_1,P_2,\cdots ,P_m$ , 将其中的 $P_l$ 替换成 $P_j$ , 已经验证过解出的解是可行解 , 现在要验证 $P_j$ 向量替换 $P_l$ 后 , 该矩阵是不是基矩阵 ;

3 . 判定基 : 新的矩阵的行列式值不等于 $0$ , 则说明该矩阵是基矩阵 , 因为除 $P_j$ 外其余都是单位阵 , 显然该行列式不等于 $0$ , 该矩阵是基矩阵 ;

4 . 单位阵转换 : 该解作为迭代后的新的基可行解 , 为了方便下一步推导 , 我们希望对应的基向量都是单位向量 ; 这里需要使用矩阵的初等行变换 , 将其转为单位向量 ;

5 . 初等行变换 : 将 $P_j$ 列 , 替换成单位列 , $P_j$ 向量中 , $a_{lj}$ 除以 $a_{lj}$ , 变成 $1$ ,

4 . 最优性检验 和 解的判别

---

4.1 将 基可行解 代入方程

---

将上述 初始基可行解
$$X^{(0)}=(x_1^0,x_2^0,\cdots ,x_m^0,0,\cdots ,0{)}^T$$ , 和 第一次迭代后的基可行解 $$X^{(1)}=(x_1^0-\theta a_{1j},x_2^0-\theta a_{2j},\cdots ,x_m^0-\theta a_{mj},0,\cdots ,\theta ,\cdots ,0{)}^T$$ , 分别代入约束方程的目标函数 :

$$maxZ=CX=\sum _{j=1}^n{c}_j{x}_j$$

代入 $X^{(0)}$ , 因为只有前 $m$ 项是非 $0$ 的 , 后面的解都是 $0$ , 代入后的结果 :

$$Z^{(0)}=\sum _{i=1}^m{c}_i{x}_i^0$$

代入 $X^{(1)}$ , 只有前 $m$ 项 , 和第 $j$ 项的解是非 $0$ 的 , 其余的解都是 $0$ , 前 $m$ 项 解为 $(x_i^0-\theta a_{ij})$ 其中 $(i=1,2,\cdots ,m)$ 代入后为

$$\sum _{i=1}^m{c}_i(x_i^0-\theta a_{ij})$$

第 $j$ 项解为 $\theta$ , 代入后为 $\theta c_j$ ;

整体目标函数代入结果 :

$$Z^{(1)}=\sum _{i=1}^m{c}_i(x_i^0-\theta a_{ij})+\theta c_j$$

4.2 引入 检验数

---

1 . 合并同类项 :

在上面的 $Z^{(1)}$ 基础上 , 将其中的 ${\sum }_{i=1}^m{c}_i{x}_i^0$ 通过合并同类项 , 提取出来 :

$$Z^{(1)}=\sum _{i=1}^m{c}_i(x_i^0-\theta a_{ij})+\theta c_j$$
$$Z^{(1)}=\sum _{i=1}^m{c}_i{x}_i^0-\sum _{i=1}^m{c}_i\theta a_{ij}+\theta c_j$$
$$Z^{(1)}=\sum _{i=1}^m{c}_i{x}_i^0+\theta c_j-\sum _{i=1}^m{c}_i\theta a_{ij}$$
$$Z^{(1)}=\sum _{i=1}^m{c}_i{x}_i^0+\theta (c_j-\sum _{i=1}^m{c}_i{a}_{ij})$$

2 . 代入 $Z^{(0)}$ :

其中 $Z^{(1)}={\sum }_{i=1}^m{c}_i{x}_i^0$ , 将 ${\sum }_{i=1}^m{c}_i{x}_i^0$ 使用 $Z^{(0)}$ 替换 , 得到 :

$$Z^{(1)}=Z^{(0)}+\theta (c_j-\sum _{i=1}^m{c}_i{a}_{ij})$$

3 . 引入检验数 :

分析下面的式子 :

$$Z^{(1)}=Z^{(0)}+\theta (c_j-\sum _{i=1}^m{c}_i{a}_{ij})$$

• ① 分析差距 : $X^{(1)}$ 对应的目标函数值 $Z^{(1)}$ , 与 $X^{(0)}$ 对应的目标函数值 $Z^{(0)}$ , 其唯一的差距就是 $\theta (c_j-{\sum }_{i=1}^m{c}_i{a}_{ij})$ 值 , $\theta$ 是正数 ;

• ② 目标函数增大趋势 : 如果后面的这部分 $(c_j-{\sum }_{i=1}^m{c}_i{a}_{ij})$ 大于 $0$ , 说明目标函数值是增大的 , 即目标函数值还有增大的可能性 ;

• ③ 目标函数减小趋势 : 如果后面的这部分 $(c_j-{\sum }_{i=1}^m{c}_i{a}_{ij})$ 小于 $0$ , 说明迭代后目标函数值会变小 , 那么当前函数的值就是最优解 ;

检验数引入 : 下面的值非常重要 , 称为 “检验数” , 用于判断当前基可行解是否最优的检验数 , 记为符号 ${\sigma }_j$ :
$${\sigma }_j=c_j-\sum _{i=1}^m{c}_i{a}_{ij}$$

4.3 解判别的方法

---

1 . 之前推导的内容 :

迭代前的解 :

$$Z^{(0)}=\sum _{i=1}^m{c}_i{x}_i^0$$

迭代后的解 :

$$Z^{(1)}=Z^{(0)}+\theta (c_j-\sum _{i=1}^m{c}_i{a}_{ij})$$

将后者减去前者 , 得到一个检验数 ${\sigma }_j$ :

$${\sigma }_j=c_j-\sum _{i=1}^m{c}_i{a}_{ij}$$

2 . 最优解 : 当所有的非基变量检验数 ${\sigma }_j\le 0$ 时 , 即 任何 基变换 后的目标函数 $Z^{(1)}$ , 其都是 $Z^{(0)}$ 与一个小于等于 $0$ 的数之和 , 任何基变换都会导致目标函数值减小 , 该解 $Z^{(0)}$ 对应的的目标函数值是最大值 , 该解是最优解 ;

3 . 无穷多最优解 : 当所有的非基变量检验数 ${\sigma }_j\le 0$ 时 , 其中有非基变量 $x_j$ 的检验数 ${\sigma }_j=0$ , 那么说明有两个点可以使目标函数达到最大值 , 这两个点之间的连线都是最优解 , 这种情况下有无穷多最优解 ;

4 . 唯一最优解 : 当所有的非基变量检验数 ${\sigma }_j<0$ 时 , 当前解是最优解 ;

5 . 无界解 : 如果存在某个非基变量的检验数 ${\sigma }_j>0$ , 而该非基变量对应的非基向量 $P_j\le 0$ , 则该线性规划有无界解 ;

• ① 分析检验数 与 $P_j$ : 如果 $P_j\le 0$ , 那么 该向量中所有的数 $a_{ij}$ ( $i=1,2,\cdots ,m$ ) 都是小于等于 $0$ 的 , 此时检验数
  $${\sigma }_j=c_j-\sum _{i=1}^m{c}_i{a}_{ij}$$ 此时 ${\sigma }_j$变成正数 ;

• ② 分析 $Z^{(1)}$ 目标函数值 :

$$Z^{(1)}=\sum _{i=1}^m{c}_i(x_i^0-\theta a_{ij})+\theta c_j$$

如果 $a_{ij}$ ( $i=1,2,\cdots ,m$ ) 都是小于等于 $0$ 的 , $x_i^0-\theta a_{ij}$ 值肯定大于 $0$ , $\theta$ 取任意大的值 , 都符合要求 , 此时目标函数 $Z^{(1)}$ 值会无限大 ;

4.4 线性规划解判别定理

---

1 . 最优解判别定理 :

• ① 条件 1 : 若 $X^{(0)}=(b_1^{{}^{\prime }},b_2^{{}^{\prime }},\cdots ,b_m^{{}^{\prime }},0,\cdots ,0{)}^T$ 为基可行解 ;
• ② 条件 2 : 并且全部的检验数 ${\sigma }_j\le 0$ , $j=m+1,\cdots ,n$ ;
• ③ 结论 : 此时的 $X^{(0)}=(b_1^{{}^{\prime }},b_2^{{}^{\prime }},\cdots ,b_m^{{}^{\prime }},0,\cdots ,0{)}^T$ 是 最优解 ;

2 . 唯一最优解判别定理 :

• ① 条件 1 : 若 $X^{(0)}=(b_1^{{}^{\prime }},b_2^{{}^{\prime }},\cdots ,b_m^{{}^{\prime }},0,\cdots ,0{)}^T$ 为基可行解 ;
• ② 条件 2 : 并且全部的检验数 ${\sigma }_j<0$ , $j=m+1,\cdots ,n$ ;
• ③ 结论 : 此时的 $X^{(0)}=(b_1^{{}^{\prime }},b_2^{{}^{\prime }},\cdots ,b_m^{{}^{\prime }},0,\cdots ,0{)}^T$ 是 唯一最优解 ;

3 . 无穷多最优解判别定理 :

• ① 条件 1 : 若 $X^{(0)}=(b_1^{{}^{\prime }},b_2^{{}^{\prime }},\cdots ,b_m^{{}^{\prime }},0,\cdots ,0{)}^T$ 为基可行解 ;
• ② 条件 2 : 并且全部的检验数 ${\sigma }_j\le 0$ , $j=m+1,\cdots ,n$ ;
• ③ 条件 3 : 存在一个 非基变量 $x_{m+k}$ 的检验数 ${\sigma }_{m+k}=0$ ;
• ④ 结论 : 此时的 $X^{(0)}=(b_1^{{}^{\prime }},b_2^{{}^{\prime }},\cdots ,b_m^{{}^{\prime }},0,\cdots ,0{)}^T$ 是 唯一最优解 ;

如果两个顶点都能取得最优值 , 那么两个顶点之间的连线 ( 有无穷多个点 ) 肯定也能取得最优值 ;

4. 无界解判别定理 :

• ① 条件 1 : 若 存在一个 非基变量 $x_{m+k}$ 的 检验数 ${\sigma }_{m+k}>0$ ;
• ② 条件 2 : 其对应的非基变量的所有系数 $a_{i,m+k}\le 0$ , $i=1,2,\cdots ,m$ ;
• ③ 结论 : 此时的 线性规划 具有无界解 ;