第二章线性规划的基本概念与基本定理解析.ppt

因为 是最优解，所以： , 又因为 故 于是有 ;这表明 及 均为最优解。又由 的取法知 当 时 ,这时 中第l分量等于0 ，当 时 ,这时 中第l 分量等于0。 所以 至少有一个的正分量个数比 的正分量个数要少，记这个解为 。那么 也是最优解。可见，如果 不是基本最优解，即 的正分量对应A中的列向量线性相关，那么总可以令一个最优解 ，其正分量个数比 正分量个数少。如果 是基本最优解，即 的正分量对应A中的列向量线性无关， 则取 , 即证明3（2）。 （ii） 只有唯一的一个正分量，因A的列向量均为非零故 的正分量对应A中的列向量线性无关。同（I）一样可知 即为基本最优解。 （iii） =0这时 =0是可行解。由上面的证明已知 =0就是基本最优解。 到此，我们证明了定理的第（2）部分。 （i） 的正分量对应A中的列向量线性无关，因此 是基本可行解。取 即为基本最优解 （3）假定目标函数在极点 上达到最优值 又设它们的任意凸组合为： 如果 的正分量对应A中的列向量线性相关，则可重复上述步骤，得到最优解 经过有限步必达到下面的三种情形之一： 上面，定理3，定理4是线性规划的两个很重要的定理。证明了线性规划的基本可行解等同于可行域的顶点。并且，如果线性规划有最优解，则必在可行域的顶点上达到最优。 这样，一个有最优解的（SLP ）问题，是一定可以从可行域的极点中（即基本可行解中）求得最优解的。 而 又 故知 的凸组合也是目标函数的最优值点。至此，我们全面证明了定理4。 而基本可行解是对应A中的m个线性无关的列向量。A只有n个列向量。从n个列向量中取出m 个线性无关向量相成的向量组。其数目上有限的。因此基本可行解的数量也是有限的。它不会超过： 个。 这样对一个有最优解的线性规划利用穷举法可以在有限步内找到基本最优解。但运算是很大的。 我们后面要学习的单纯形方法就是根据这一基本定理在有限个基本可行解中寻找基本最优解。另外，定理4还告诉我们，若目标函数在多于一个极点上达到最优，则在这些极点的凸组合上也达到最优。 例：考虑线性规划 ： 解：可行域极点为：M1（0.0），M2（2.0）M3（1.2）M4（0.1），其目标函数值分别为f1 =0 f2=2 f3=2 f4=1/2，在M2M3的凸组合上（即 在线段 M2M3上）也达到最优。事实上，可以用图解法来说明这一点。因目标函数等值线 x1+1/2x2=2与可行域的边 重合，该直线段上的点对应目标函数值均有f=2。 §2.3 极射向、可行解的表示定理 一 极射向 设A是m×n矩阵，rank（A）=m。 A=（p1p2……pn）对于A的一个基B=（pj1 pj2 …… pjm )相应有 。设 这在单纯形算法里是一个重要矩阵。其中 =I是m阶单位矩阵。它的每一列 （i=1~m）是第I个分量为1的单位向量。若x是非基变量。对应 中的第j列向量为： 定义极方向： 其中 定义18 （极方向）设B是（SLP）的一个基。对于非基变量xj 下面通过对非