单纯形法求解线性规划问题

我们来看一个简单的数学规划模型：
$$\max Z=70x_1+30x_2$$$$s.t.\{\begin{array}{l}3x_1+9x_2⩽540\\ 5x_1+5x_2⩽450\\ 9x_1+3x_2⩽720\\ x_1,x_2⩾0\end{array}$$

首先，我们需要把这个不规范的数学规划模型转换成标准型，标准型的要求有以下几点：

• 目标为求函数的最大值问题，即Maxmize问题
• 约束条件为等式约束
• 约束条件的右边常数项大于或者等于0
• 所有变量大于或者等于零

我们可以通过引入松弛变量的方式来进行非标准型的标准化转换，对于上式，我们可以通过变换得到它的标准型如下：

$$\max Z=70x_1+30x_2$$$$s.t.\{\begin{array}{l}3x_1+9x_2+x_3=540\\ 5x_1+5x_2+x_4=450\\ 9x_1+3x_2+x_5=720\\ x_1,x_2,x_3,x_4,x_5⩾0\end{array}$$

我们可以使用单纯性法来进行求解，首先我们需要建立单纯形表matrx，然后根据以下的步骤进行迭代，指导目标函数一行的系数没有正数为止：

1. Step1:判断出基和入基：根据系数选入度、根据theta选出度，选取入度一列和出度一行"
2. Step2:修改matrix，初等行变换，先归一化出基一行，然后归零其他行的入度一列；
3. Step3:更新index，把入度变量替换掉index中的松弛变量

我可以使用以下代码来实现：

import pandas as pd
import numpy as np

def lp_solver(matrix: pd.DataFrame):
	c = matrix.iloc[0,1:]
	while c.max() > 0:
		print("Step1:判断出基和入基：根据系数选入度、根据theta选出度，选取入度一列和出度一行")
		#判断出基和入基：根据系数选入度、根据theta选出度，选取入度一列和出度一行
		in_x = c.idxmax()
		in_x_v = c[in_x]
		b = matrix.iloc[1:,0]
		in_x_a = matrix.iloc[1:][in_x]
		out_x = (b/in_x_a).idxmin()
		print(f"in_x={in_x},out_x={out_x}")
		#修改matrix，初等行变换，先归一化出基一行，然后归零其他行的入度一列
		print("Step2:修改matrix，初等行变换，先归一化出基一行，然后归零其他行的入度一列")
		matrix.loc[out_x, :] = matrix.loc[out_x,:]/matrix.loc[out_x,in_x]
		for idx in matrix.index:
			if idx != out_x:
				matrix.loc[idx,:] = matrix.loc[idx,:] - matrix.loc[out_x,:] * matrix.loc[idx,in_x]
		#更新index，把入度变量替换掉index中的松弛变量
		print("Step3:更新index，把入度变量替换掉index中的松弛变量")
		index = matrix.index.tolist()
		print(f"index before update ={index}")
		#index可以认为是索引
		i = index.index(out_x)
		print(f"the in dex of out_x = {i}")
		index[i] = in_x
		print(f"index after update ={index}")
		matrix.index = index
		c = matrix.iloc[0,1:]
		print(matrix)

if __name__ == '__main__':
	matrix = pd.DataFrame(
			np.array([
					[0,70,30,0,0,0],
					[540,3,9,1,0,0], 
					[450,5,5,0,1,0], 
					[720,9,3,0,0,1]
				]),
			index = ['obj','x3','x4','x5'],
			columns = ['b','x1','x2','x3','x4','x5']
		)
	print(matrix)
	lp_solver(matrix)

我们可以看到这个程序求解的全过程，最终，在x1=75、x2=15处，目标函数取得最大值5700.