最优化方法模型在
Matlab
中的求解
第一讲
线性规划和非线性规划及其在
Matlab
中的解法
优化模型一般形式为
1
min
(
),
(
,
,
)
(1)
..
(
)
0,
1,
2,
,
(2)
T
n
X
i
z
f
X
X
x
x
s
t
g
X
i
m
其中
f(x)
成为目标函数
,g(x)
称为约束条件,
满足
(
2
)
式的
X
称为可行解,
同时满足
(
1
)
(
2
)的
X
,称为最优解
由(
1
)
(
2
)组成的模型属于约束优化,只有(
1
)的模型属于无约束优化。
f
,
g
均为线性函数,优化模型(
1
)
(
2
)就是线性规划,否则就是非线性规划。
一、线性规划
1
、
模型描述
问题描述为求一组非负变量,
这些非负变量在一定先行约束的条件下,
使一个线性目标
函数取得极小(极大)值的问题。这类问题可以用如下的数学模型表示
1
1
2
2
11
1
1
1
1
1
1
min
...
...
(
)
..
...
(
)
0,
1,
2,...
n
n
n
n
m
mn
n
m
i
z
c
x
c
x
c
x
a
x
a
x
b
s
t
a
x
a
x
b
x
j
n
这类问题就是线性规划问题,也就是
LP
问题,一般可写成下列矩阵形式
min
(
)
..
0
Z
Cx
Ax
b
s
t
x
其中
A
称为约束矩阵,
1
(
,...
)
T
n
x
x
x
称为决策变量,
1
(
,...
)
T
m
b
b
b
。
通常解决线性规划问题都是先将其一般形式化为下面的标准形式
1
1
2
2
11
1
1
1
1
1
1
min
...
...
..
...
0,
1,
2,...
n
n
n
n
m
mn
n
m
i
z
c
x
c
x
c
x
a
x
a
x
b
s
t
a
x
a
x
b
x
j
n
写成矩阵就是
min
..
0
Z
Cx
Ax
b
s
t
x
。
把线性规划化为标准型的方法:
(
1
)
目标函数一律化为求极小,如果是求极大,则利用
max
min(
)
z
z
化为
求极小;
(
2
)
对
Ax
b
的
不
等
式
,
利
用
加
入
松
弛
变
量
的
方
法
化
为
等
式
,
例
如
,