[matlab语言整数规划模型.doc

9.2.2 线性规划 基本数学原理 线性规划是处理线性目标函数和线性约束的一种较为成熟的方法，目前已经广泛应用于军事、经济、工业、农业、教育、商业和社会科学等许多方面。线性规划问题的标准形式是： 或 写成矩阵形式为： 其中，0为n维列向量。 线性规划的标准形式要求目标函数最小化，约束条件取等式，变量非负。不符合这几个条件的线性模型要首先转化成标准形。 线性规划的求解方法主要是单纯形法（Simple Method），该法由Dantzig于1947年提出，以后经过多次改进。单纯形法是一种迭代算法，它从所有基本可行解的一个较小部分中通过迭代过程选出最优解。其迭代过程的一般描述为： 1． 将线性规划化为典范形式，从而可以得到一个初始基本可行解x(0)(初始顶点)，将它作为迭代过程的出发点，其目标值为z(x(0))。 2． 寻找一个基本可行解x(1)，使z(x(1))≤z(x(0))。方法是通过消去法将产生x(0)的典范形式化为产生x(1)的典范形式。 3． 继续寻找较好的基本可行解x(2)，x(3)，…，使目标函数值不断改进，即z(x(1))≥z(x(2)) ≥z(x(3)) ≥…。当某个基本可行解再也不能被其它基本可行解改进时，它就是所求的最优解。 ??? Matlab优化工具箱中采用的是投影法，它是单纯形法的一种变种。 相关函数介绍 linprog函数 功能：求解线性规划问题。 数学模型： ????? ????????????? ????? ???????????????? ????? 其中f, x, b, beq, lb和ub为向量，A 和Aeq为矩阵。 语法： x = linprog(f,A,b,Aeq,beq) x = linprog(f,A,b,Aeq,beq,lb,ub) x = linprog(f,A,b,Aeq,beq,lb,ub,x0) x = linprog(f,A,b,Aeq,beq,lb,ub,x0,options) [x,fval] = linprog(...) [x,fval,exitflag] = linprog(...) [x,fval,exitflag,output] = linprog(...) [x,fval,exitflag,output,lambda] = linprog(...) 描述： x = linprog(f,A,b)求解问题 min f'*x，约束条件为A*x <= b。 x = linprog(f,A,b,Aeq,beq)求解上面的问题，但增加等式约束，即Aeq*x = beq。若没有不等式存在，则令A=[]、b=[]。 x = linprog(f,A,b,Aeq,beq,lb,ub)定义设计变量x的下界lb和上界ub，使得x始终在该范围内。若没有等式约束，令Aeq=[]、beq=[]。 x = linprog(f,A,b,Aeq,beq,lb,ub,x0)设置初值为x0。该选项只适用于中型问题，缺省时大型算法将忽略初值。 x = linprog(f,A,b,Aeq,beq,lb,ub,x0,options)用options指定的优化参数进行最小化。 [x,fval] = linprog(...) 返回解x处的目标函数值fval。 [x,lambda,exitflag] = linprog(...)返回exitflag值，描述函数计算的退出条件。 [x,lambda,exitflag,output] = linprog(...) 返回包含优化信息的输出变量output。 [x,fval,exitflag,output,lambda] = linprog(...) 将解x处的拉格朗日乘子返回到lambda参数中。 变量： lambda参数 ??? lambda参数是解x处的拉格朗日乘子。它有以下一些属性： l?????? lambda.lower –lambda的下界。 l?????? lambda.upper –lambda的上界。 l?????? lambda.ineqlin –lambda的线性不等式。 l?????? lambda.eqlin –lambda的线性等式。 其它参数意义同前。 算法： 大型优化算法? 大型优化算法采用的是LIPSOL法，该法在进行迭代计算之前首先要进行一系列的预处理。 中型优化算法? linprog函数使用的是投影法，就象quadprog函数的算法一样。linprog函数使用的是一种活动集方法，是线性规划中单纯形法的变种。它通过求解另一个线性规划问题来找到初始可行解。 诊断： 大型优化问题? 算法的第一步涉及到一些约束条件的预处理问题。有些问题可能导致linprog函数退出，并显示不可行的信息。在本例中，exitflag参数将被设为负