第一章_线性规划讲解.pptVIP

第一章 线性规划 -2011.04.28 1.1 线性规划及其实例 在人们的生产实践中，经常会遇到如何利用现有资源来安排生产，以取得最大经济效益的问题。此类问题构成了运筹学的一个重要分支—数学规划，而线性规划(Linear Programming 简记LP)则是数学规划的一个重要分支。 例子 例1 某机床厂生产甲、乙两种机床，每台销售后的利润分别为4000元与3000元。生产甲机床需用机器加工，加工时间分别为每台2小时和1小时；生产乙机床需用三种机器加工，加工时间为每台各一小时。若每天可用于加工的机器时数分别为机器10小时、机器8小时和机器7小时，问该厂应生产甲、乙机床各几台，才能使总利润最大？ 1.2 线性规划的Matlab标准形式 线性规划的目标函数可以是求最大值，也可以是求最小值，约束条件的不等号可以是小于号也可以是大于号。为了避免这种形式多样性带来的不便，Matlab中规定线性规划的标准形式为 1.3 线性规划问题的解的概念 一般线性规划问题的标准型为 1.4 线性规划的图解法 从上面的图解过程可以看出并不难证明以下断言： （1）可行域可能会出现多种情况。R可能是空集也可能是非空集合，当R非空时，它必定是若干个半平面的交集（除非遇到空间维数的退化）。R既可能是有界区域，也可能是无界区域。 （2）在R非空时，线性规划既可以存在有限最优解，也可以不存在有限最优解（其目标函数值无界）。 （3）R非空且LP有有限最优解时，最优解可以唯一或有无穷多个。 （4）若线性规划存在有限最优解，则必可找到具有最优目标函数值的可行域R的“顶点”。 1.5 求解线性规划的Matlab解法 单纯形法是求解线性规划问题的最常用、最有效的算法之一。单纯形法是首先由 George Dantzig于1947年提出的，近60年来，虽有许多变形体已被开发，但却保持着同样的基本观念。由于有如下结论：若线性规划问题有有限最优解，则一定有某个最优解是可行区域的一个极点。基于此，单纯形法的基本思路是：先找出可行域的一个极点，据一定规则判断其是否最优；若否，则转换到与之相邻的另一极点，并使目标函数值更优；如此下去，直到找到某一最优解为止。 Matlab中线性规划的标准型为 基本函数形式为linprog(c,A,b)，它的返回值是向量的值。还有其它的一些函数调用形式（在 Matlab 指令窗运行 help linprog 可以看到所有的函数调用形式），如： [x,fval]=linprog(c,A,b,Aeq,beq,LB,UB,X0,OPTIONS) 这里fval返回目标函数的值，Aeq和beq对应等式约束，LB和UB分别是变量的下界和上界，是的初始值，OPTIONS是控制参数。 例2 求解下列线性规划问题 例3 求解线性规划问题 1.6 可以转化为线性规划的问题 §2 运输问题(产销平衡) 运输问题解法 §3 指派问题（又称分配问题Assignment Problem） 3.1 指派问题的数学模型 指派问题的解法 (5)的可行解既可以用一个矩阵(称为解矩阵)表示，其每行每列均有且只有一个元素为1，其余元素均为0，也可以用1,2,…,n中的一个置换表示。 (5)的变量只能取0或1，从而是一个0-1规划问题。一般的0-1规划问题求解极为困难。但指派问题并不难解，其约束方程组的系数矩阵十分特殊（被称为全单位模矩阵，其各阶非零子式均为1或-1），其非负可行解的分量只能取0或1，故约束xij=0或1可改写为xij=0而不改变其解。此时，指派问题被转化为一个特殊的运输问题，其中m=n，ai=bj=1。 3.2 求解指派问题的匈牙利算法 由于指派问题的特殊性，又存在着由匈牙利数学家D.Konig提出的更为简便的解法—匈牙利算法。算法主要依据以下事实：如果系数矩阵C=（cij）一行（或一列）中每一元素都加上或减去同一个数，得到一个新矩阵B=（bij）?，则以C或B为系数矩阵的指派问题具有相同的最优指派。 利用上述性质，可将原系数阵C 变换为含零元素较多的新系数阵B，而最优解不变。若能在B 中找出n个位于不同行不同列的零元素，令解矩阵中相应位置的元素取值为1，其它元素取值为零，则所得该解是以B为系数阵的指派问题的最优解，从而也是原问题的最优解。 由C到B的转换可通过先让矩阵C的每行元素均减去其所在行的最小元素得矩阵D，D的每列元素再减去其所在列的最小元素得以实现。 下面通过一例子来说明该算法。 §4 对偶理论与灵敏度分析 4.1 原始问题和对偶问题 考虑下列一对线性规划模型： Max Cx s.t. Ax=b, x=0 (P) 和