第6章+对偶问题和灵敏度分析.pptVIP

设正则基 的典式为： * 对偶单纯形表 对偶单纯形法的迭代方式与原单纯形法基本一致.所不同的是：先定换出变量，再定换入变量，决定主元并作基变换得到一个新的正则解X(1),从而完成一次迭代.算法的后半部分与原单纯形法完全一致. * (2)再选进基变量:假定xk为进基变量, 我们分析一下xk 应满足什么条件,才能使迭代后得到的解仍为问题(P)的正则解. (1)先选出基变量:若 则取与 相对应的基变量 xr 为出基变量. 因为 ,而换基运算的第一步是用主元 去除第r 行中的各元素,为了使变换后 为正数,所以主元 必须从第r 行的负元素中选取,即 . * 设主元处在第 k 列,于是换基运算后,各检验数变为 因为要求迭代后得到的解仍为正则解,于是 又因为 于是当 时,不等式(1)自然成立; * 由此 则取与之相对应的非基变量 为换入变量。 否则,当 时,要使不等式(1)成立,必须 又因为 于是当 时,不等式(1)自然成立; * 最后证明对应于新的正则解X(1),对偶问题(D)的目标函数值将得到改善. 这样,上述求极大值问题(P)的迭代过程,实质上是在对对偶问题(D)求极小值,所以目标函数越小就越接近最优解.直到得到对偶问题(D)的最小值,相应地也就求出了原问题(P)的最大值. 出基变量 与进基变量 xk 确定以后,以 为主元进行换基运算(方法与原单纯形法相同)即可得新的正则解X(1) . 这是因为 ,故 * 和原始单纯形法一样,若对偶问题是非退化的(即对偶问题的每一个基可行解都是非退化的,或者说,对于原问题的每一个正则解，都有 ,则每迭代一次,目标函数都将严格减小,从而一定能在有限次迭代后得到原问题的最优解,或者判定它无解. 容易证明:若 ,且所有的 ,则原问题(P)无解(自己证明). * 用对偶单纯形法求解线性规划问题时．当约束条件为“＞”时，不必引进人工变量，使计算简化。 当线性规划问题中变量多于约束条件时，用对偶单纯形法计算可以减少工作量。 对偶单纯形法的局限性主要是：对大多数线性规划问题，很难找到一个初始正则解。因此对偶单纯形法一般不单独使用，而主要应用于灵敏度分析及整数规划等有关章节中。 从以上对对偶单纯形法的讨论，可以看到： * 因此就会提出以下问题： （1）当参数中的一个或者几个发生变化时，导致决策变量的最优解 X 的变化情况； （2）参数在什么范围内变化时，最优解 X 不会发生变化. 这就是线性规划的灵敏度分析所要研究解决的问题. 1、问题简介 以前讲的线性规划问题中，都假定问题中的A、b、C 是已知常数。但实际上这些数往往是一些估计和预测的数字，如市场条件一变C 值就会变化。 A 是随工艺技术条件的改变而改变．而 b 值则是根据资源投入后能产生多大经济效果来决定的一种决策选择。 五、灵敏度分析 * 灵敏度分析的含义是指对系统或事物因周围条件变化显示出来的敏感程度的分析。 灵敏度分析（Sensitivity analysis)又称为优化后分析（Postoptimality analysis)。因为它是在已求得线性规划最优解的基础上，来讨论这些数据的变化对最优解的影响。 * 当然．当线性规划问题中的一个或几个参数变化时，可以用单纯形法从头计算，看最优解有无变化，但这样做既麻烦又没有必要。 因为前面已经讲到，单纯形法的迭代计算是从一组基变量变换为另一组基变量．表中每步迭代得到的数字只随基变量的不同选择而改变，因此有可能把个别参数的变化直接在计算得到最优解的最终单纯形表上反映出来。 这样就不需要从头计算，而直接对计算得到最优解的单纯形表进行审查，看一些数字变化后，是否仍满足最优解的条件，如果不满足的话，再从这个表开始进行迭代计算，求得最优解. * 1. 将参数的改变计算反映到最终单纯形表上来； 2. 检查原问题是否仍为可行解； 3. 检查对偶问题是否仍为可行解； 4. 按下表所列情况得出结论和决定继续计算的步骤． 灵敏度分析的步骤可归纳如下： 原问题 对偶问题 结论或继续计算的步聚 可行解 可行解 问题的最优解或最优基不变 可行