大M法(Big M Method)

前面一篇讲的单纯形方法的实现,但程序输入的必须是已经有初始基本可行解的单纯形表。

但实际问题中很少有现成的基本可行解,比如以下这个问题:

min f(x) = –3x1 +x2 + x3

s.t. x1 – 2x2 + x3 + x4=11

      -4x1 + x2 + 2x3 - x5=3

      -2x1+x3=1

      xj>=0 , j=1,2,3,4,5

写成单纯形表就是

 x1x2x3x4x5b
f3-1-1000
 1-211011
 -4120-13
 -201001

很难找到秩为3的基阵,更不用说直接出现3阶单位阵了。在实际问题中,尤其是约束条件变多时,找到基阵甚至是判定A是否满秩都十分困难,因此在程序中引入大M法(Big M Method)来获得初始的基本可行解,这样我们能处理的问题就更加多样化了。

上篇已经说过,对于m*n的矩阵A来说,找到一个m*m 的满秩方阵就能得到基本可行解,但是在这么多列向量中怎样挑出m个线性无关的向量来组成一个满秩方阵呢?如果找起来麻烦的话,不如直接添加一个m阶单位阵来的方便!

大M法

大M法又称惩罚法,它是在目标函数中添加m个人工变量M*x(M是一个任意大的正数),同时在A矩阵中添加一个m阶单位矩阵。

image

这样一来新的A矩阵中就有了一个m*m满秩方阵,满足单纯形法求解的初始要求,但是若要得到最小值f(x),新添加的人工变量的值必然是0的,因为M可以是很大的数,如果Xn+1不为0,f(x)可能会很大,如果无法做到令人工变量取0值,那么原问题就无可行解。

需要注意的是,添加完人工变量之后,人工变量构成一组可行解的基变量,但单纯形初始矩阵要求基变量对应的检验数为0,故需要做行变换把基变量对应的检验数置0。

例如,本文开始引入的问题经过添加人工变量后变为

 x1x2x3x4x5x6x7x8b
f3-1-100-M-M-M0
x61-211010011
x7-4120-10103
x8-201000011

再进行行变换把基变量x6,x7,x8对应的检验数置0,得到:

 x1x2x3x4x5x6x7x8b
f3-5M-1-M-1+4M000000
x61-211010011
x7-4120-10103
x8-201000011

进行完这步之后,就回到了单纯形法求解的基本问题,利用原来的算法继续计算就好了。

Matlab实现

BigM.m

function [ x,y ] = BigM( f,A,b )
%输入f是检验数的数组,1*n维
%输入A是约束矩阵, m*n维
%输入b是约束向量, 1*m维
%输出x是解向量
%输出y是最优解
%判断输入维数是否相符
%做初始单纯形表,加入M变量
[n,m]=size(A);%n行m列
M=10000;
S=[f -1*M*ones(1,n) 0;
   A   eye(n)       b'];
format rat %将结果以分数表示
[n,m]=size(S);
%将人工变量的检验数置零
for k=1:n-1
    S(1,:)=S(1,:)+S(k+1,:)*M;   
end
%判断检验数 r<=0
r=find(S(1,1:m-1)>0);
len=length(r);
flag=0;
%有大于0的检验数则进入循环
while(len)
    %检查非负检验数所对列向量元素是否都小于等于0
    for k=1:length(r)
        d=find(S(:,r(k))>0);
        if(length(d)+1==2)
        error('无最优解!!!')  
        %break;
        end
    end
    %找到检验数中最大值
    [Rk,j]=max(S(1,1:m-1));
    %最大值所在列比值为正数且最小值br/a_rk
    br=S(2:n,m)./S(2:n,j);
    %把比值中的负数都变无穷
    for p=1:length(br)
        if(br(p)<0)br(p)=Inf;
        end
    end
    [h,i]=min(br);%列向量比值最小值
    % i+1为转轴元行号(在S中),j为转轴元列号
    i=i+1;
    %进行换基,转轴元置1
    S(i,:)=S(i,:)./S(i,j);
    %转轴元所在列其他元素都置0
    for k=1:n
        if(k~=i)
            S(k,:)=S(k,:)-S(i,:)*S(k,j);
        end   
    end
    %判断检验数 r<=0
    r=find(S(1,1:m-1)>0);
    len=length(r);
%     %调试用,控制循环步数
%     if(len>0)flag=flag+1;end
%     if(flag==2)break;end
%     S
end
    %检验数全部非正,找到最优解
    %非基变量置0
    x=zeros(1,m-1);
    for i=1:m-1
        %找到基变量
        j=find(S(:,i)==1);%每列中1的个数
        k=find(S(:,i)==0);%每列中0的个数
        if((length(j)+1==2)&&(length(k)+1==n))
            %i为基本元列号,j是行号
            x(i)=S(j,m);
        end
    end
    y=S(1,m);%最优解
    S
end

测试程序:

f=[3 -1 -1 0 0];
A=[1 -2 1 1  0;
  -4  1 2 0 -1;
  -2  0 1 0  0 ];
b=[11 3 1 ];
[x,y]=BigM(f,A,b)
f=[5 2 3 -1];
A=[1 2 3 0 ;
   2 1 5 0 ;
   1 2 4 1 ];
b=[15 20 26];
[x,y]=BigM(f,A,b)
f=[5 10 0 0 0 ];
A=[1/14 1/7 1 0 0;
   1/7 1/12 0 1 0;
   1    1   0 0 1 ];
b=[1 1 8];
[x,y]=BigM(f,A,b)
[x,y]=Simplex(f,A,b)

计算结果:

image

imageimage

转载于:https://www.cnblogs.com/oucsheep/p/3422160.html

  • 5
    点赞
  • 49
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
大数据大屏源码是指用于展示和处理大数据的可视化界面源代码。大数据大屏是一种将大数据分析结果以可视化方式展示给用户的工具。通过大数据大屏源码,我们可以根据业务需求自定义展示界面,将大数据的分析结果以图表、表格、地图等形式直观地展现出来。 大数据大屏源码通常由前端和后端代码组成。前端代码负责展示和交互,使用的主要技术包括HTML、CSS、JavaScript、数据可视化库(如D3.js、ECharts等)等。后端代码负责处理数据和提供接口,使用的主要技术包括Java、Python、Node.js等。 大数据大屏源码的编写过程中,需要考虑以下几个方面: 1. 数据获取和处理:源码需要定义数据获取的方式,可以是数据库查询、接口调用、文件读取等。同时,还需要对获取的数据进行预处理,如数据清洗、筛选、聚合等。 2. 可视化展示:源码需要根据需求选择合适的图表类型,并根据数据的特点进行可视化设计。可视化展示应该直观、易理,能够帮助用户更好地理数据。 3. 用户交互:源码应该提供用户友好的交互方式,如下拉框、日期选择、图表联动等,以实现用户对数据的自定义查询和展示。 4. 性能优化:为了提高大数据大屏的效率和响应速度,源码需要考虑数据的压缩和缓存,避免不必要的数据传输和重复计算。 总之,大数据大屏源码是用于构建大数据可视化界面的关键代码,通过它可以实现对大数据的全面展示和分析,提供用户友好的交互方式,帮助用户更好地理和利用大数据。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值