【运筹学笔记】 第一章 线性规划与单纯形法

运筹学绪论

运筹学是一门应用于管理有组织系统的科学，根据问题的要求，通过数学分析与计算，做出综合性的合理安排，以期达到资源的最优化利用。

运筹学考虑系统的整体优化、多学科的配合以及模型方法的应用，其研究可以分为以下几个步骤：

1.分析与表述问题。
2.建立模型
3.对问题求解
4.对模型和由模型导出的解进行检验
5.建立对解的有效控制
6.方案的实施。

其中，建模是运筹学方法的核心和精髓。

线性规划与单纯形法

线性规划（Linear programming,简称LP），是运筹学中研究较早、发展较快、应用广泛、方法较成熟的一个重要分支，它是辅助人们进行科学管理的一种数学方法。研究线性约束条件下线性目标函数的极值问题的数学理论和方法。

线性规划模型的组成要素和特征

决策变量 指决策者为实现规划目标采取的方案、措施，是问题中要确定的未知量。

目标函数 指问题要达到目标的要求，表示为决策变量的函数。

约束条件 指决策变量取值时受到的各种限制，表示为决策变量的等式或不等式。

定义：目标决策变量为可控的连续变量，目标函数和约束条件都是线性的，这类模型称为线性规划模型。

线性规划问题的一般形式

1.标量形式

决策变量 { x i ∣ i = 1 , 2 , . . . , n } \{x_i|i=1,2,...,n\} {xi​∣i=1,2,...,n}

目标函数 $max(min)z=c_1{x}_1+c_2{x}_2+...+c_n{x}_n$

约束条件 $s.t.=\{\begin{array}{c}{a}_{11}{x}_1+a_{12}{x}_2+...+a_{1n}{x}_n\le (=,\ge )b_1,\\ a_{21}{x}_1+a_{22}{x}_2+...+a_{2n}{x}_n\le (=,\ge )b_2,\\ ⋮\\ a_{m1}{x}_1+a_{m2}{x}_2+...+a_{mn}{x}_n\le (=,\ge )b_m,\\ x_j\ge 0或x_j\le 0或x_j无约束\end{array}$

一般用$n$表示决策变量的个数，$m$代表约束等式/不等式的个数

通常情况下要求$m<n$，否则可能导致没有可行解

2.向量形式

决策变量 $X=(x_1{x}_2\dots x_n{)}^T$

目标函数 $max(min)z=CX$

约束条件 $s.t.=\{\begin{array}{c}\sum _{j=1}^n{x}_j{P}_j\le (=,\ge )b\\ X\ge 0\end{array}$

其中 $C=(c_1{c}_2...c_n),P_j=(a_{1j}{a}_{2j}\dots a_{mj}{)}^T,b=(b_1{b}_2...b_m{)}^T$.

注意列向量$P\ge Q$意味着 $\forall i{P}_i\ge Q_i$，矩阵也类似

3.矩阵形式

$$\begin{gathered} max(min)z=CX \\ s.t.=\{\begin{array}{c}AX\le (=,\ge )b\\ X\ge 0\end{array} \\ 其中C=(c_1{c}_2...c_n), \\ A=\left[\begin{array}{cccc}{a}_{11}& a_{12}& \dots & a_{1n}\\ a_{21}& a_{22}& \dots & a_{2n}\\ ⋮& ⋮& & ⋮\\ a_{m1}& a_{m2}& \dots & a_{mn}\end{array}\right],X=\left(\begin{array}{c}{x}_1\\ x_2\\ ⋮\\ x_n\end{array}\right),b=\left(\begin{array}{c}{b}_1\\ b_2\\ ⋮\\ b_n\end{array}\right) \end{gathered}$$

称为约束方程组变量的系数矩阵，简称为约束变量的系数矩阵。

线性规划问题的标准形式

对于一般的线性规划模型缺乏统一的结构，这在问题的求解上无疑增加了一定的难度，因此，我们在定义线性规划的标准形式如下：

决策变量 { x i ∣ i = 1 , 2 , . . . , n } \{x_i|i=1,2,...,n\} {xi​∣i=1,2,...,n}

目标函数 $max(min)z=c_1{x}_1+c_2{x}_2+...+c_n{x}_n$

约束条件 $s.t.=\{\begin{array}{c}{a}_{11}{x}_1+a_{12}{x}_2+...+a_{1n}{x}_n=b_1,\\ a_{21}{x}_1+a_{22}{x}_2+...+a_{2n}{x}_n=b_2,\\ ⋮\\ a_{m1}{x}_1+a_{m2}{x}_2+...+a_{mn}{x}_n=b_m,\\ x_1\ge 0,x_2\ge 0,\dots x_n\ge 0\end{array}$

其中$b_j\ge 0,1\le j\le m.$

矩阵形式
$$\begin{gathered} maxz=CX \\ s.t.=\{\begin{array}{c}AX=b\\ X\ge 0\end{array} \end{gathered}$$

其中$A\in {\mathbb{R}}^{m\times n}$是一个行满秩矩阵

标准形式的转化

1.目标函数

目标函数的极小值$\iff$目标函数相反数的最大值，即$minz=CX\Rightarrow max{z}^{\prime }=-CX$

2.约束条件

$\sum _{i=1}^n{a}_{ij}{x}_j\le b_i\Rightarrow \sum _{i=1}^n{a}_{ij}{x}_j+x_{n+i}=b_i(x_{n+i}\ge 0)$，其中$x_{n+i}$称为松弛变量

$\sum _{i=1}^n{a}_{ij}{x}_j\ge b_i\Rightarrow \sum _{i=1}^n{a}_{ij}{x}_j-x_{n+i}=b_i(x_{n+i}\ge 0)$，其中$x_{n+i}$称为剩余变量

松弛变量可以理解为资源的剩余，剩余变量可以理解为需求的溢出

$b_i\le 0\Rightarrow b_i=-b_i^{\prime },a_{ij}=-a_{ij}^{\prime }$其中$1\le j\le n,b_i^{\prime }\ge 0$

3.决策变量

无约束决策变量：$x_j$无限制$\Rightarrow x_j=x_j^{\prime }-x_j^{\prime \prime }$，其中$x_j^{\prime },x_j^{\prime \prime }\ge 0$

非正变量：$x_j\le 0\Rightarrow x_j=-x_j^{\prime }$，其中$x_j^{\prime }\ge 0$

线性规划问题的解

可行解：如果一个非负矩阵$X$满足约束方程，则称矩阵$X$为可行解。

可行域：可行解组成的集合 Ω = { X ∣ A X = b , X ≥ 0 , X ∈ R n } \Omega=\{X\mid AX=b,X\ge0,X\in\mathbb{R}^n\} Ω={X∣AX=b,X≥0,X∈Rn}称为可行域，可行域中使得目标函数达到最大值的可行解称为最优解。

基：若$B$是$A$的一个$m\times m$阶的满秩子矩阵，则称$B$为线性规划问题的一个基。$B$中的每一个列向量用$P_j$表示，注意这里基是一组系数矩阵。
$$B=\left[\begin{array}{cccc}{b}_{11}& b_{12}& \dots & b_{1m}\\ b_{21}& b_{22}& \dots & b_{2m}\\ ⋮& ⋮& & ⋮\\ b_{m1}& b_{m2}& \dots & b_{mm}\end{array}\right]=(P_1,P_2,\dots ,P_m)$$
基解：假设$B$为一个基，可知存在$x_1,\dots ,x_m$使得$x_1{P}_1+\dots x_m{P}_m=b$，则称$X=(x_1,\dots ,x_m,0,\dots ,0{)}^T$为基$B$的基解，其中$x_1,\dots ,x_m$称为基变量，其余的决策变量称为非基变量。

基可行解：若满足变量非负约束条件的基解称为基可行解。

可行基：假对应于基可行解的基称为可行基。

退化解：当基解中的非零分量小于$m$个时，该基解是退化解

解的维恩图表示：

线性规划问题的解法

1.图解法（略） 2.单纯形法

预备知识

凸集：假设$C\subset {\mathbb{R}}^n$.若对任意$X,Y\in C$和$0<\lambda <1$,都有$\lambda X+(1-\lambda )Y\subset C$,则称$C$为一个凸集（Convex set）。从直观上讲，凸集没有凹入部分，其内部也没有空洞。

凸组合：设向量   { x i } , i = 1 , 2 , … , n ~\{x_i\},i=1,2,\dots,n  {xi​},i=1,2,…,n，如果有实数${\lambda }_i\ge 0$且$\sum _{i=1}^n{\lambda }_i=1$,则称$\sum _{i=1}^n{\lambda }_i{x}_i$为向量   { x i }   ~\{x_i\}~  {xi​} 的凸组合（凸线性组合）

顶点：假设$C$是凸集，且$X\in C$.若不存在$X_1,X_2\in C$使得$X=\lambda X_1+(1-\lambda )X_2$,其中$0<\lambda <1$，则$X$称为$C$的一个顶点.

凸集内点与其顶点的关系：若$C$是有界的凸集，则对任意$X\in C$，都可以表示成$D$的顶点的凸组合。

几个基本定理（证明不考）

定理1：若线性规划问题存在可行解，则其可行域是凸集。
证明：我们我们考察如下的标准形式的线性规划问题：
$$\begin{gathered} maxz=CX \\ s.t.=\{\begin{array}{c}AX=b\\ X\ge 0\end{array} \end{gathered}$$
两个不同的解是$X$和$Y$满足$AX=AY=b,X\ge 0,Y\ge 0$，则对于任意$0<\lambda <1$，我们有$A(\lambda X+(1-\lambda )Y)=b,\lambda X+(1-\lambda )Y\ge 0$.所以可行域为凸集。

定理2：线性规划问题的基可行解对应线性规划问题可行域的顶点。

引理 1：线性规划问题的可行解 X 为基可行解的充要条件是 X 的正分量所对应的系数列向量是线性无关的.（由基可行解的定义可知必要性是显然的. ）

证明：假设$X$为一个基可行解，若$X$不是一个顶点，则可行域中存在两个不同的点$Y,Z$使得$X=\lambda Y+(1-\lambda )Z,0<\lambda <1$，不妨设$X$只有前$k$个分量大于0，显然$Y,Z$后$n-k$个分量都为0，我们有
$$\sum _{i=1}^k{x}_i{P}_i=b,\sum _{i=1}^k{y}_i{P}_i=b,\sum _{i=1}^k{z}_i{P}_i=b.$$

由于$P_1,P_2,\dots ,P_k$线性无关（也就是方程只有一个解），我们得到$X=Y=Z$，与我们的假设矛盾，所以$X$一定是一个顶点。

如果假设$X$是一个顶点，并且假设其只有前$k$个分量大于0，若果$X$不是一个基可行解，则由引理可知$P_1,P_2,\dots ,P_k$线性相关，说以存在$k$个不为零的实数使得
$$\begin{gathered} d_1{P}_1+d_2{P}_2+\cdots +d_k{P}_k=0 \\ D=(d_1,d_2,\dots ,d_k,0,\dots ,0{)}^T \end{gathered}$$
显然有$AX=0\to A(X+sD)=A(X-sD)=b$，对任意实数$s$都成立，$\exists s>0,X+sD\ge 0\wedge X-sD\ge 0$，则$X$是可行域中$X+sD$和$X-sD$的中点，这与$X$是一个顶点矛盾，所以$X$一定是一个基可行解。

定理3：若线性规划问题存在最优解，则一定存在一个基可行解是最优解。

引理2：若$X$是一个最优解，且$X=\lambda Y+(1-\lambda )Z$，其中$Y,Z$是两个可行解，$0<\lambda <1$，则$CX=CY=CZ$.（反证法易得）

证明：设$X$是一个最优解，且不妨假设其只有前$k$个分量大于0，若$X$是一个基可行解，则证毕；否则存在$k$个不全为0的实数使得（5）式成立，且$A(X+rD)=A(X-sD)=b$对任意实数$s,r$都成立，同时$X+rD$和$X-sD$至少有一个正分量的数量小于$k$。则由上一个引理可知我们得到了一个新的最优解，且这个最优解的正分量的数量小于$k$，若新的到的最优解依然不是基可行解，重复上面的过程，我们可以得到一个新的最优解，这个最优解的正分量的数量小于$k$，以此类推，经过有限步之后，我们肯定可以得到一个基可行解. 证毕.

定理4：若线性规划问题有可行解，则必有基可行解

定理5：若线性规划问题有最优解，则必有最优基可行解

单纯形法

确定初始基可行解

当线性规划问题全部为“$\le$”时，在化为标准型时，加入的m个松弛变量所构成的单位矩阵就可以构成一组基：设给定线性规划问题
$$\begin{gathered} maxz=\sum _{j-1}^n{c}_j{x}_j \\ s.t.=\{\begin{array}{c}\sum _{j=1}^n{x}_j{P}_j\le b\\ x_j\ge 0\end{array} \end{gathered}$$
在第$i$个约束条件上加上松弛变量$s_{si},(i=1,\dots ,m)$，化为标准形式
$$\begin{gathered} maxz=\sum _{j-1}^n{c}_j{x}_j+0\sum _{i=1}^m{x}_{si} \\ s.t.=\{\begin{array}{c}\sum _{j=1}^n{a}_{ij}{x}_j+x_{si}=b,(i=1,2,\dots ,m)\\ x_j\ge 0\end{array} \end{gathered}$$
其约束方程的系数矩阵为
$$\left[\begin{array}{cccccccc}{a}_{11}& a_{12}& \dots & a_{1n}& 1& 0& \dots & 0\\ a_{21}& a_{22}& \dots & a_{2n}& 0& 1& \dots & 0\\ ⋮& ⋮& & ⋮& ⋮& ⋮& & ⋮\\ a_{m1}& a_{m2}& \dots & a_{mn}& 0& 0& \dots & 1\end{array}\right]$$
这个系数矩阵中含有一个单位向量$(P_{s1},P_{s2},\dots ,P_{sm})$，只要以这个单位矩阵作为基，就可以立即解出基变量值$x_{si}=b_i$，因为$b_i\ge 0$,因此$X=(0,\dots ,0,b_1,\dots ,b_m{)}^T$就是一个基可行解。

当线性规划问题中约束条件包含"$=$“或”$\ge$"时，化为标准型后一般不包含单位矩阵，这时常用添加人工变量的方法人为构造一个单位矩阵作为基，称为人工基，具体方法在后面讨论。

基可行解的转换

不失一般性，设初始基可行解为
$$X^{(0)}=(x_1^0,x_2^0,\dots ,x_m^0,\stackrel{n-m个}{\overbrace{0,\dots ,0}}{)}^T=\left(\begin{array}{c}{X}_B\\ X_N\end{array}\right),A=(BN)$$
其中$B$是对应的可行基，相应的，设$C=(C_B,C_N)$，我们有$A{X}^{(0)}=(B,N)\left(\begin{array}{c}{X}_B\\ X_N\end{array}\right)=B{X}_B=b$，我们有$X_B=B^{-1}b,X_N=0$，

此时目标函数值$z^{(0)}=CX=(C_B{C}_N)\left(\begin{array}{c}{X}_B\\ X_N\end{array}\right)=C_B{X}_B-C_N{X}_N=C_B{B}^{-1}b.$

原始方程组的增广形式为：

$$\begin{gathered} \begin{array}{cccccccccc} \\ {P}_1& P_2& \dots & P_m& P_{m+1}& \dots & P_j& \dots & P_n& b\end{array} \\ \left[\begin{array}{cccccccccc}{a}_{11}& a_{12}& \dots & a_{1m}& a_{1,m+1}& \dots & a_{1j}& \dots & a_{1n}& b_1\\ a_{21}& a_{22}& \dots & a_{2m}& a_{2,m+1}& \dots & a_{2j}& \dots & a_{2n}& b_2\\ ⋮& ⋮& \ddots & ⋮& ⋮& & ⋮& & ⋮& ⋮\\ a_{m1}& a_{m2}& \dots & a_{mm}& a_{m,m+1}& \dots & a_{mj}& \dots & a_{mn}& b_m\end{array}\right] \end{gathered}$$

因为$P_1,P_2,\dots ,P_m$是${\mathbb{R}}^m$的一组基，所以其余的$P_j$都可以用这个基来表示，我们可以将$P_j$替换为$B{B}^{-1}{P}_j$，所以有$B(X_B-\theta B^{-1}{P}_j)+\theta P_j=b$，我们假设$X_B-\theta B^{-1}{P}_j\ge 0$，那么我们得到了一个新的可行解
$$\tilde{X}=\left(\begin{array}{c}{X}_B-\theta B^{-1}{P}_j\\ 0\end{array}\right)+\theta e_j$$
其中，$e_j$为第$j$个分量为1其余分量为0的单位列向量，这个可行解的目标函数值为
$$\begin{array}{rl}\tilde{z}& =C\tilde{X}\\ & =(C_B{C}_N)\left(\left(\begin{array}{c}{X}_B-\theta B^{-1}{P}_j\\ 0\end{array}\right)+\theta e_j\right)\\ & =C_B{X}_B+\theta (c_j-C_B{B}^{-1}{P}_j)\\ & =z^{(0)}+\theta (c_j-C_B{B}^{-1}{P}_j)\end{array}$$

我们令${\sigma }_j=c_j-C_B{B}^{-1}{P}_j$，则$\tilde{z}=z^{(0)}+\theta {\sigma }_j$，${\sigma }_j$被称为检验数。

​ 如果${\sigma }_j>0$，则新的可行解可以使目标函数变大，且$\theta$应该越大越好. 此时注意到为了保证$\tilde{X}$是一个可行解，应该有$X_B-\theta B^{-1}{P}_j\ge 0$，这个$(B^{-1}{P}_j)$很难处理，我们不妨在求解之前通过初等行变换把$B$化为单位矩阵（想一想，为什么可以这么做？），即化成

$$\begin{gathered} \begin{array}{ccccccccccc} \\ {P}_1& P_2& \dots & P_m& P_{m+1}& \dots & P_j& \dots & P_n& b& \end{array} \\ \left[\begin{array}{cccccccccc}1& 0& \dots & 0& a_{1,m+1}& \dots & a_{1j}& \dots & a_{1n}& b_1\\ 0& 1& \dots & 0& a_{2,m+1}& \dots & a_{2j}& \dots & a_{2n}& b_2\\ ⋮& ⋮& \ddots & ⋮& ⋮& & ⋮& & ⋮& ⋮\\ 0& 0& \dots & 1& a_{m,m+1}& \dots & a_{mj}& \dots & a_{mn}& b_m\end{array}\right] \end{gathered}$$

假设$B$是一个单位矩阵且$b>0$，那么$\theta$的最大值显然是 ${\theta }^{\ast }=min\left\{\frac{b_i}{a_{ij}}|a_{ij}>0,1\le i\le m\right\}$，不妨设${\theta }^{\ast }=\frac{b_r}{a_{rj}}$，则$(P_1,\dots ,P_{r-1},P_{r+1},\dots ,P_m,P_j)$构成一组新的基，这个基的基解和目标函数值为

$$X^{(1)}=\left(\begin{array}{c}{X}_B-{\theta }^{\ast }{B}^{-1}{P}_j\\ 0\end{array}\right)+{\theta }^{\ast }{e}_j,z^{(1)}=z^{(0)}+{\theta }^{\ast }{\sigma }_j$$

最优性检验和解的判别

（1） 当$\forall {\sigma }_j\le 0$时，表明现有顶点的目标函数的值比起相邻各顶点的目标

函数值都大，现以顶点对应的基可行解即为最优解。（为什么局部最优解等于全局最优解？）

（2）当$\forall {\sigma }_j\le 0\wedge \exists {\sigma }_r=0$时，$\tilde{X}=\left(\begin{array}{c}{X}_B-\theta B^{-1}{P}_j\\ 0\end{array}\right)+\theta e_j$和$X^{(0)}$的线性组合都是最优解，因此有无限多个解

（3）当$\exists {\sigma }_j>0\wedge (\forall \theta >0)X_B-\theta B^{-1}{P}_j\ge 0$时，目标函数值可以取到无限大，最优解无界。

单纯性法的计算步骤

1. 将问题化为标准型
2. 求出线性规划的初始基可行解，列出初始单纯形表

	$c$	$c_1\dots \dots c_m{c}_{m+1}\dots \dots c_n$
$C_B$	$X_B$	$x_1\dots \dots x_m{x}_{m+1}\dots \dots x_n$	$b$	$\theta =\frac{b_i}{a_{ik}}$
$c_1$	$x_1$	$1\dots \dots 0a_{1,m+1}\dots \dots a_{1n}$	$b_1$	${\theta }_1$
$⋮$	$⋮$	$⋮$	$⋮$	$⋮$
$⋮$	$⋮$	$⋮$	$⋮$	$⋮$
$c_m$	$x_m$	$0\dots \dots 1a_{m,m+1}\dots \dots a_{mn}$	$b_m$	${\theta }_m$
	$\sigma$	$0\dots \dots 0{\sigma }_j=c_j-\sum c_i{a}_{ij}$

3. 进行最优性检验

   如果表中所有检验数${\sigma }_j\le 0$，则表中的基可行解就是问题的最优解，计算停止。否则继续下一步。

4. 从一个基可行解转换到另一个目标值更大的基可行解，列出新的单纯形表

   a. 确定换入基的变量。选择   σ i n = m a x { σ j   ∣   σ j > 0 }   ~\displaystyle\sigma_{in}=max\{\sigma_j~|~\sigma_j>0\}~  σin​=max{σj​ ∣ σj​>0} 对应的变量$x_{in}$作为换入变量。

   b. 确定换出变量。选择${\theta }_{out}=min\left\{\frac{b_j}{a_{jk}}|a_{jk}>0\right\}$对应的变量$x_{out}$作为换出变量

   c. 用$x_{in}$替换基变量中的$x_{out}$，得到一个新的基。对应新的基可以找出一个新的基可行解，将基变量对应的矩阵化为单位矩阵，并相应地可以画出一个新的单纯形表。

单纯形法的进一步讨论

前面讨论了在标准型中系数矩阵有单位矩阵，很容易确定一组基可行解。在实际问题中有些模型并不含有单位矩阵，为了得到一组基向量和初基可行解，在约束条件的等式左端加一组虚拟变量，得到一组基变量。这种人为加的变量称为人工变量，构成的可行基称为人工基，用大M法或两阶段法求解，这种用人工变量作桥梁的求解方法称为人工变量法。
比如如下线性规划问题：
$$\begin{array}{rl}& maxz=3x_1+2x_2-x_3\\ & \\ s.t.=& \{\begin{array}{r}-4x_1+3x_2+x_3\ge 4,\\ x_1-x_2+2x_3\le 10,\\ -2x_1+2x_2-x_3=-1,\\ x1\ge 0,x_2\ge 0,x2\ge 0\end{array}\end{array}$$

首先我们将其化为标准型：

$$\begin{array}{rl}& maxz=3x_1+2x_2-x_3\\ & \\ s.t.=& \{\begin{array}{rlrl}-4x_1+3x_2+x_3& -x_4& & =4,\\ x_1-x_2+2x_3& & +x_5& =10,\\ 2x_1-2x_2+x_3& & & =1,\\ x_j\ge 0,1\le j\le 5& & & \end{array}\end{array}$$

系数矩阵中不存在单位矩阵，无法建立初始单纯形表。

大M法

加若干个人工变量$x$，他们的目标函数决策系数是一个极小的负数（可以认为负无穷），以致于人工变量的取值在最优解时不可能不是0，举一个例子来理解：

解：首先将数学模型

故人为添加两个单位向量，得到人工变量单纯形法数学模型：

$$\begin{array}{rl}& maxz=3x_1+2x_2-x_3-M{y}_6-M{y}_7(M\to +\infty )\\ & \\ s.t.=& \{\begin{array}{rlrlrl}-4x_1+3x_2+x_3& -x_4& & +y_6& & =4,\\ x_1-x_2+2x_3& & +x_5& & & =10,\\ 2x_1-2x_2+x_3& & & & +x_7& =1,\\ x_j\ge 0,y_6,y_7>0& & & & & \end{array}\end{array}$$
M是一个很大的抽象的数，不需要给出具体的数值，可以理解为它能大于给定的任何一个确定数值，再用前面介绍的单纯形法求解该模型。如果最优解对应的基变量中包含人工变量，说明问题无可行解。

两阶段法

第一阶段

加入人工变量，第一阶段求解的目标函数是只包含人工变量的辅助问题，令目标函数中其他变量的系数取零，人工变量的系数取某个正的常数（一般取1），在保持原问题约束不变的条件下求这个目标函数极小化的解：
$$\begin{array}{rl}& minz=y_6+y_7\\ & \\ s.t.=& \{\begin{array}{rlrlrl}-4x_1+3x_2+x_3& -x_4& & +y_6& & =4,\\ x_1-x_2+2x_3& & +x_5& & & =10,\\ 2x_1-2x_2+x_3& & & & +x_7& =1,\\ x_j\ge 0,y_6,y_7>0& & & & & \end{array}\end{array}$$

人工变量是虚拟的，在最优时不该有取值，必须是0，第一阶段的$z$必须是0。

1. 如果第一阶段求解结果为$z\ne 0$，说明最优解的基变量中含有非零的人工变量，从而表明原问题无可行解，不必进行第二阶段，计算终止。

2. 如果第一阶段求解结果$z=0$，如果辅助问题的最优基变量中没有人工变量，进入第二阶段。

3. 如果第一阶段求解结果$z=0$，如果辅助问题的最优基变量中仍有为0的人工变量，这表明原问题有退化的情况，在辅助问题的最优的单纯形表中有：
   $$y_r+\sum _{j\ne r}{a}_{rj}{y}_j+\sum _{j\in J_N}{a}_{rj}{x}_j=0$$
   其中$J_N$为非基变量下标集，这时又分两种情况：

   (i). 若$a_{rj}$全为0，则人工变量所在行中有原变量（现在是非基变量）下的元素都是0，这表明原问题的约束方程中有多余的，将其去掉，转入第二阶段。

   (ii). 若$a_{rj}$不全为0，则以$a_{rs}$为主元，进行换基迭代，最后转入转入第二阶段

第二阶段

在原问题中去除人工变量，并由第一阶段得到的最优解出发，继续寻找原问题的最优解。即在第一阶段的最优单纯形表中去掉人工变量所在的行列，将价值系数改换成原问题的价值系数，进一步迭代，求解原问题。

例题

有空再补$tobecontinue$