单纯形法（1）

1.线性规划单纯形解法的基本思路

      单纯形解法的基本思路是：先求得一个初始基可行解，以这个初始基可行解在可行域中对应的极点为出发点，根据最优准则判断这个基可行解是否是最优解，如果不是转换到相邻的一个极点，即得到一个新的基可行解，并使目标函数值下降，这样重复进行有限次后，可找到最解或判断问题无最优解。

2.单纯形法的最优准则

     设：线性规划（LP）为：     min    cx    s.t.   Ax=B           x≥0     A为（LP）的约束方程组的m*n阶系数矩阵（设n≥m），A的秩为m；B是线性规划的一个基，不失普遍性，记

 

定义

 

    则：称λ，或者λ_j,(j=1,2,…,n)为检验数。

    若：λ≤0，即全部λ_i非正，
    则：由B确定的基可行解是（LP）的最优解。
3.具体过程：

我们知道如果线性规划问题有最优解，至少有一个是基可行解，因此我们只在基可行解中找最优解。现假定已有一个基可行解，相应的基为B，不失一般性可设：

 

其中  是n元向量：

 

在线性规划问题：

    min    cx
    s.t.   Ax=b
           x≥0

中，我们将A中基B以外的列组成一个m*(n-m)阵N，称为非基阵，N=(p_m+1,…,p_n)即A可表示为

 

变量x也相应地分成基变量x_B=(x₁,x₂,…,x_m),和非基变量x_N=(x_m+1,…,x_n)，目标函数中系数c也分成。即

 

这样上述线性规划问题可写成：

 

    （1）最优解的检验。
    由于B是非异阵，所以x_B=B^-1b-B^-1Nx_N,将此代入目标函数：

 

此时，当令

 

则得到基可行解

 

而此基可行解对应的目标函数值为

         （A2.3.1.2）

现在来定义最优检验数

      （A2.3.1.3）

再记

 

由（A2.3.3）则可记

 

注意到

 

可见，对应于基变量的λ_j=0(j=1,2,…,m)，而且c_BB^-1N-c_N=(λ_m+1,λ_m+2,…, λ_n),故由式（A2.3.1.1）

 

当所有的λ_j≤0 (j=m+1,…,n)时，x_j增大时，目标函数值增大，故当λ≤0时，非基变量取值全为0时目标函数值最小，换言之，相应的基可行解是最优值，目标函数最优值为。但若存在某个λ_k>0，则当x_k增大时，目标函数值会减少，相应的基可行解不是最优解。为此，我们称λ为检验数，并且有：

    线性规划最优解的单纯形法检验准则：
    若 基可行解对应的λ为检验数为非正向量，即

 

则 此可行解为最优解。
    （2）基可行解的转换
    先给一个定义，某个基变量的取值全为正值时称此解为非退化的，否则为退化的，我们仅考虑所遇到的基可行解都是非退化的。

    当检验数λ中有某个λ_k>0，则xk越大目标函数值越小，x_k是否可无限量增大呢？在x_k增大的过程中，我们要保证所得到的解仍为可行解，因为此时其余的非基变量仍为0，我们只需考虑相应基变量的变化。由

 

只需考虑

 

    若y_k≤0，当x_k取值任何正值时，x_i≥0(i=1,2,…,m)得到的均是可行解，故x_k可无限增大，因此目标函数值无限减小，没有下界，原线性规划问题无最优解。

否则，取

     (A2.3.1.4)

    当令x_k=θ时可见x_r=0，即，当非基变量x_k的值由0改变为θ，则原基可行解中基变量x_r的值将由 改变为0，由非退化的假设，其余基变量的值由 决定，均为正值，其余非基变量的值仍为0。

    下面证明这是一个新的基可行解，只要证明非零分量对应的列向量线性无关。

    由B非异，p₁,p₂,…,p_m线性无关，由y_k=B^-1p_k得By_k=p_k ，即

 

    因为y_rk>0则y_rk≠0,p_r可由p₁,…,p_k,…,p_m线性表出，则p₁,…,p_r,…,p_m和p₁,…,p_k,…,p_m这两个向量组右互相线性表示，所以p₁,K,p_k,K,p_m线性无关.这个新的基可行解由原基可行解中将基变量x_r换成x_k得到，与原基可行解相邻。

    这个由原基可行解中将基变量x_r换成x_k，而得到新的基可行解过程我们称xk进基，x_r离基。由（A2.3.1.2）原基可行解对应的目标函数值为c_BB^-1b，而新基可行解对应的目标函数值为

 

    由非退化假设，θ>0，此示，新的目标函数值故目标函数值严格下降。重复这两个步骤，有限步以后一定能找到最优解。