《算法导论》之线性规划（1）关于标准型和松弛型的理解

一般线性规划

一个线性规划问题是一个线性函数最小化或最大化的问题，该线性函数服从一组有限个线性约束。如果要最小化，则称此线性规划为最小化线性规划；如果要最大化，则称为最大化线性规划。
已知一组实数a1，a2，…，an和一组变量x1，x2，…，xn。给出定义在这些变量上的线性函数f：

首先，考虑两个变量的线性规划：
最大化 : x1+x2
满足约束 :
所有满足上述约束式的变量x1和x2的取值为线性规划的一个可行解。
按照以前的学习来理解，我们可以画出关于上述不等式的坐标图，如下：

我们将可行解的集合（图中的阴影部分）称为可行区域。在这个可行区域中，存在最大化解，那么希望最大化的函数称为 目标函数。从概念上来说，我们可以对区域中任何一个点求值，这个值称为目标值。那么我们从图中可以找出一个有最大目标值的点作为最优解。

对于上面这个例子，当x1=2，x2=6 时，取得最优解，且目标值为8。

标准型和松弛型

在标准型中，我们已知n个实数c1，c2，…，cn；m个实数b1，b2，…，bm，以及mn个实数aij，其中i=1，2，…，n。我们希望找到n个实数x1，x2，…，xn，
最大化：
满足约束条件：
因此，称 为目标函数，不等式（1）和（2）中的m+n个不等式为约束。其中（2）中的n个约束为非负约束。

注意 ：一个任意的线性规划不必有非负约束，但是标准型需要。

转换线性规划为标准型
已知一个线性函数满足若干线性约束，要求最小化或最大化它，我们总可以将这个线性规划转化成标准型。一个线性规划可能有如下四个原因不是标准型：
（1）目标函数可能是最小化而不是最大化。
（2）可能有变量不具有非负约束。
（3）可能有等式约束，即有一个等号而不是一个小于等于号。
（4）可能是不等式约束，但不是小于等于号，而是一个大于等于号。
当然，从一个线性规划转化成另外一个线性规划，两者应当是等价的。
何为等价？
对两个最大化线性规划L和L’，如果对L每个目标值为z的可行解，都存在一个对应的L’的目标值为z的可行解,且对L’的每个目标值为z的可行解，都存在一个对应的L的目标值为z的可行解，则称L和L’是等价的。
解决方案：
针对（1）两边取负即可
针对（2）假设某个变量xj不具有非负约束。那么将xj用xj’-xj”代替，并增加非负约束xj’≥0，xj”≥0。若目标函数有项为cjxj，将其替换为cjxj’-cjxj”。如果约束i有aijxj，则替换为aijxj’-aijxj”。经过此操作后，新的线性规划的任意可行解与原先可行解之间的关系为,且转换前后目标值不改变！
针对（3）非常简单，假设有等式f(x1,x2,…,xn)=b,用f(x1,x2,…,xn)≤b和f(x1,x2,…,xn)≥b来代替。
针对（4）两边取负。
下面看一个例子，（1）~（3）分别为上述存在的问题，（4）是改过后的标准型。

转换线性规划为松弛型
我们将其转换成只有非负约束是不等式约束，其他约束均是等式约束的形式。
设是一个不等式约束，我们引入新变量s，并重写不等式为两个约束我们称s是一个松弛变量，其度量了左右之间的松弛程度。
当从标准型转化为松弛型时，使用Xn+i来表示与第i个不等式相关的松弛变量。因此，第i个约束是，非负约束Xn+i≥0。
例如，对上述标准型引入松弛变量x4，x5，x6后，得到
在上述线性规划中，除了非负约束之外，所以约束都是等式约束，且每个变量都满足非负约束。我们也会使用z来表示目标函数。得到松弛型

和标准型一样，松弛型的符号更为简洁。
以上就是我对线性规划中标准型和松弛型的理解及整理，有不当望指出哈。