线性规划算法英文翻 (自动保存的).docxVIP

线性规划（273）：我们将通过考虑线性规划问题继续随机抽样的研究。线性规划问题是体现两个主要随机化优点（简单和速度）最显著的例子。在9.10.1节我们将针对这一问题研究随机递增算法。线性规划问题就是寻找线性目标函数的极值问题，线性目标函数受到一些真实变量的约束。下面，我们将用d来表示变量的数量，用n来表示约束条件的数量。每个约束条件都可以将d维空间划分成两部分，这样的多个两部分组成一个交叉区域，我们所寻找的极值就会被限制在这个区域的一些点上。这个交叉区域是d维空间中的一个多面体，我们把这个区域称为可行域。在这个过程中，我们要测量我们所执行的算术操作的数量，把在连续的时间内算术运算被执行的操作数作为真实的数据，这个和我们本节的观点是一致的，但有一点要提醒的是线性规划问题的很多工作都与操作数的有限精度有关。对于这种有限精度的操作数，在通过各种算法进行在操作时都需要认真考虑它们。我们对于少量的操作不会太关心，但是会把所有的数量作为原子操作数来考虑。让x1,…,xd表示线性问题中的d个变量，让c1,…,cd表示这些变量的系数，让Aij,1≤i≤n,1≤j≤d,表示第i个约束中xj的系数。让A表示矩阵（Aij），C表示矩阵中的向量（c1,…,cd），X表示矩阵中的向量（x1,…,xd），线性规划问题可以如下表示：mincTx9.11条件Ax≤b(9.12)B是常数列向量。我们用A和b来表示可行域，表示为FA,b。向量C在d空间中指定了一个方向。从几何上说，我们在可行域FA,b中沿着指向C的方向寻找最远的点，前提是存在一个这样的有限点。线性规划问题有很长的历史，在注释部分有介绍。在我们处理的点中，伴随着起始点会有一系列的假设，这将有助于捕捉到线性规划问题；这些假设不会从设计算法的立场上不具有专业性和简洁性。所有这些假设都可以通过标准技术来去除；这一点会在问题9.8中会有进一步的研究。1. 多面体FA,b是非空并且是有界的。既然我们不假定我们能测试任意一个多面体为非空或有界的；这就相当于去解决一个线性规划。我们仅仅对FA,b做出这种假定。2. 我们把目标函数的最小值定义为x1；换句话说，假设c=(1,0,…,0)，以此我们用最小值x1在FA,b中寻找一个点。3. 我们寻找的最小值是在FA,b上的唯一的顶点。4. FA,b的每一个顶点都恰好符合d个约束条件。让H表示A和b定义的约束集，S为H的约束子集。我们经常考虑由子集S和c定义的线性规划定义的线性规划。当这样一个线性规划达到最小时，我们将会假定假设3-4仍然成立：（i）最小值是唯一的；（ii）可行域中的每一个点都是d个约束条件限定的。我们用O（S）表示由c和S定义的线性规划问题中目标函数的值。子集B是基础，因此对于任何B’∁B，O（B）-∞，并且O（B’）O（B）。βH的基础是一个最小的子集B属于H，并且O（B）=O（H）。我们的目标是找到βH，由于βH定义了线性规划的最优点，我们有时会称βH或者O（βH）为线性规划的最优解。解决线性规划问题的一个方法是采用半空间相交算法来计算FA,b，然后对多面体FA,b的每一个顶点估算它的目标函数值。由于FA,b顶点的数量有可能是Ωnd/2，这种详细的估算过程一般来说会很慢。因此我们要寻找一种算法，不需要枚举FA,b中的每个顶点。在对线性规划进行随机算法研究之前，我们将会回想一下经典单纯行法的原理。这是一个确定的算法，从FA,b的一个顶点开始，随后每一次迭代，在目标函数有一个低值时算法会进行到邻近的一个点。如果不存在这样的点，那我们就找到了最小值。不过，这只是单纯行法的主要思想，当相邻点有同样的目标函数值，而且问题中没有最小值时，这种算法的复杂性也会增加。对于单纯形法我们将会避免详细的讨论；在讨论中我们只要确定存在一种单纯的函数通过逐个访问FA,b中的每个顶点直到找出最优解来解决线性规划问题就可以了，当然这个最优解应该是存在的。我们称约束h∈H如果O（H\{h}）O(H);因此这些是βH中的约束。直觉上说不是极端的约束H是冗余的约束，这种约束的缺失不会改变最优化。我们的第一个算法SampLP用随机抽样来迅速的去掉冗余约束。从空集开始，SampLP通过一系列阶段建立了约束集合S。在每一个阶段，集合V属于H但不属于S时，V被加入到S中。集合V有两个重要的性能：（i）它将会很小，（ii）在βH（不包括S）中至少包含一个极端约束。因此当|βH|=d,我们会在d阶段后停止。SampLP算法：输入：约束集H。输出：最优解βH。1. S←∅;2. 如果n9d2返回单纯形（H）否则2.1. V←H；S←∅；2.2. 当|V|0随机选择R⊂H\S，并且|R|=r=min{dn,|H\S|};X←SampLP(R∪S);V←{h∈H};如果|V|≤2n那么S←S∪V；2.