运筹学--预案.ppt

Chapter2 对偶理论 ( Duality Theory ) 对称型问题的对偶规则 1、给每个原始约束条件定义一个非负对偶变量yi(i=1,2,…,m)； 2、使原问题的目标函数系数 cj 变为其对偶问题约束条 件的右端常数； 3、使原问题约束条件的右端常数 bi 变为其对偶问题目 标函数的系数； 4、将原问题约束条件的系数矩阵转置，得到其对偶问 题约束条件的系数矩阵； 5、改变约束问题不等号的方向，即将“≤”改为“≥”； 6、原问题为“max”型，对偶问题为“min”型。 已知原问题(LP)， 设对偶问题最优解为Y＊＝(y1，y2),由互补松弛性定理可知，X＊和 Y＊满足： 试用对偶原理求解线性规划问题 解： 该问题的对偶规划为 利用松紧关系， 代入对偶规划的约束条件得下列约 束是松约束， (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; 对偶单纯形法 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。 对偶单纯形法应用于主要应用于灵敏度分析及整数规划等有关章节中。 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。 对偶单纯形法的优缺点： 对偶单纯形法 §2.7 灵敏度分析 一、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。 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 (最优基) 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. 对偶单纯形法是求解线性规划的另一个基本方法。它是根据对偶原理和单纯形法原理而设计出来的，因此称为对偶单纯形法。不要简单理解为是求解对偶问题的单纯形法。 对偶单纯形法原理 对偶单纯形法基本思路： 找出一个对偶问题的可行基，保持对偶问题为可行解的条件下，判断XB是否可行（XB为非负），若否，通过变换基解，直到找到原问题基可行解（即XB为非负），这时原问题与对偶问题同时达到可行解，由定理4可得最优解。 对偶单纯形法 找出一个DP的可行基 LP是否可行 （XB ≥0） 保持DP为可行解情况下转移到LP的另一个基本解 最优解 是 否 循 环 结束 对偶单