作者半个学期都没搞懂线性规划问题,看了无数资料。后面又听了几遍课终于大概懂了一些。现把心得代码列与此,造福同样被算法设计与分析折磨的学弟学妹。
标准形:
min z = c.transpose().dot(x)
s.t. Ax <= b
for all i, x_i >= 0
单纯形法:
一些概念:
基,基本可行解(即只有在某组基的系数处的x是不为0的)
推导:采用向量形式。加入松弛变量化成:
min z = c.transpose().dot(x)
s.t. A*x' == b
for all i, x_i >= 0
等式两边同乘B的逆(这里我傻了,实际上A不是方阵,是mxn的,B才是方阵,是含有逆的)
np.dot(np.dot(np.linalg.inv(B), A),x) = np.linalg.inv(B).dot(b)
(下面用伪代码了,看得懂就好,打numpy代码太累了)
下面的推导:
B-1*A*x = B-1*b
Ax = B*x_B + N*x_N
x_B + B-1*N*x_N = B-1*b
# 代入最初的式子
z = c.transpose() * x
= c_B.transpose() * x_B + c_N.transpose() * x_N
= c_B.transpose() * (B-1*b - B-1*N*x_N) + c_N.transpose() * x_N