新运筹学与最优化MATLAB编程 教学课件 吴祈宗 郑志勇 第5章.pptVIP

-3　原问题无解，即最优解可能为正(负)无穷大 -4　在算法中出现除零问题或其他问题，导致变量中出现非数值情况 -5　线性规划的原问题与对偶问题都不可解 -7　可行搜索方向向量过小，无法再提高最优解质量 5.3　linprog函数 Lambda：返回解的拉格朗日乘子与约束符合情况 Lower：求得解越下界 Upper：求得解越上界 Neqlin：求得解不满足不等式约束 Eqlin：求得解不满足等式约束 5.3　linprog函数 min f=-x1-x2-x3　　 s.t.　7x1+3x2+9x3≤1 8x1+5x2+4x3≤1 6x1+9x2+5x3≤1 x1,x2,x3≥0 使用[x,fval,exitflag,output,lambda]=linprog(f,A,b,Aeq,beq,lb,ub) 5.3.1　实例演示1(对应程序test2) Command window输入 f=　%目标函数系数 A=:%不等式约束的系数矩阵 b=　%不等式约束的b Aeq=　%等式约束的系数矩阵(该问题无等式约束Aeq为空) beq=　%等式约束的beq(该问题无等式约束beq为空) lb=　%变量的下界 5.3.1　实例演示1(对应程序test2) Command window输出 Optimization terminated.(优化算法计算结束) x=(最优解) fval=-0.1542(最优解对应的函数值) exitflag=1(算法收敛于解x，即x是线性规划的最优解) output= iterations:7(算法迭代7次) 5.3.1　实例演示1(对应程序test2) 在线教务辅导网： 教材其余课件及动画素材请查阅在线教务辅导网 QQ:349134187 或者直接输入下面地址： 第5章　线性规划 5.1　线性规划的模型结构5.2　线性规划的单纯形法 5.3　linprog函数 5.1　线性规划的模型结构 max(min) f=c1x1+c2x2+…+cnxn　　 s.t.　a11x1+a12x2+…+a1nxn≤(=,≥)b1　　　　 a21x1+a22x2+…+a2nxn≤(=,≥)b2 线性规划的标准形式为： max f=c1x1+c2x2+…+cnxn　 s.t.　a11x1+a12x2+…+a1nxn=b1　　　 a21x1+a22x2+…+a2nxn=b2 5.1　线性规划的模型结构 am1x1+am2x2+…+amnxn=bm x1,x2,…,xn≥0 转化成矩阵的表示形式为： max f(x)=cTx s.t.　Ax=b　 x≥0 5.1　线性规划的模型结构 标准形式的可行域是凸集合(凸集合概念可以参看相关章节)。 各种形式的线性规划都可以化为标准形式。 (1)若给出的线性规划是极大化目标函数，则有 min f(x)=max[-f(x)] (2)若第i个约束为不等式，则可增加松弛变量，把原约束化为等式约束。 5.1　线性规划的模型结构 5.1　线性规划的模型结构 例如： minf=-x1-x2-x3　　 s.t.　7x1+3x2+9x3≤1 8x1+5x2+4x3≤1 6x1+9x2+5x3≤1 x1,x2,x3≥0 5.1　线性规划的模型结构 引入松弛变量x4,x5,x6≥0，原式变为线性规划的标准形式为： max f=x1+x2+x3+0x4+0x5+0x6　　 s.t.　7x1+3x2+9x3+x4+0x5+0x6=1 8x1+5x2+4x3+0x4+1x5+0x6=1 6x1+9x2+5x3+0x4+0x5+x6=1 x1,x2,x3,x4,x5,x6≥0 5.1　线性规划的模型结构 (1)若给出的线性规划是极大化目标函数，则有(2)若第i个约束为不等式，则可增加松弛变量，把原约束化为等式约束。(3)若第i个等式约束中bi0，则用-1乘该等式两端。(4)若第j个变量xj没有非负限制，此时称xj为自由变量，则引入两非负变量，即x′j,x″j≥0,令xj=x′j-x″j，将其代入目标函数以及约束中去。 5.2　线性规划的单纯形法 5.2.1　单纯形算法5.2.2　单纯形表格法的MATLAB程序：simplexTab 5.2.1　单纯形算法 单纯形法(Simplex Method)是求解线性规划问题的通用方法。单纯形是美国数学家G.B.丹齐克于1947年首先提出来的。它的理论根据是：线性规划问题的可行域是n维向量空间Rn中的多面凸集，其最优值如果存在，必在该凸集的某顶点处达到。顶点所对应的可行解称为基本可行解。单纯形法的基本思想是：先找出一个基本可行解，对它进行鉴别，看是否是最优解；若不是，则按照一定法则转换到另一改进的基本可行解,再鉴别；若仍不是，则再转换,按此重复进行。 max