LP数学模.docVIP

【LP数学模型】? max/min z = c1x1 + c2x2 + ... + cnxn ?  满足 (a1,1)x1 + (a1,2)x2 + ... + (a1,n)xn ≤（≥,=）b1? (a2,1)x1 + (a2,2)x2 + ... + (a2,n)xn ≤（≥,=）b2? ...? (am,1)x1 + (am,2)x2 + ... + (a1,m)xn ≤（≥,=）bm? xj≥0，对一切j 　 　本章单纯形算法，将针对目标为求极小值且约束都转换为等式的问题而设计。 ? 【算法思想】? 一、求最优解 　 　１. 找出线性规划问题的初始基本可行解x， 列出初始单纯形表。单纯形表的特点是，解的变量对应的约束方程系数构成单位矩阵。 　 　如有线性规划问题 　　 　　min z = -40x1-45x2-24x3? 满足 2x1 + 3x2 + x3 + x4 = 100? 3x1 + 3x2 + 2x3 +x5 = 120? xj ≥ 0, j = 1,2,3 如果约束全部都是“≤”型，那么松驰变量的约束系数恰构 成单位矩阵，即松驰变量构成了基变量。如果表中没有单位矩阵，则可加入人工变量，以形成单位矩阵。但需保证在最优解中不包含任何人工变量。 ?? 　其初始单纯形表为? 　　　　━━━━━━━━━━━━━━━━━━━━━━ ?　　　　 　　cj　　 -40 -45 -24 0 0 ? 　　　 ━━━━━━━┳━━━━━━━━━━━━━━? 　c′ x′ b ┃ x1 x2 x3 x4 x5 　　 ? 　　 　━━━━━━━╋━━━━━━━━━━━━━━ ? 　　　 0 x4 100 ┃ 2 3 1 1 0 ? 　 x5 120 ┃ 3 3 2 0 1? ━━━━━━━╋━━━━━━━━━━━━━━ 　 z ┃ 0 0 0 　0 0 ? 　　　　 cj-zj ┃　40　 45 24 　 0 0 ?　　　　━━━━━━━┻━━━━━━━━━━━━━━ ? 　　 ２. 判别x是否已达到最优。 判断的准则是：如果还存在任一非基变量，将它引入基内，即令它取大于零的值，能使目标函数值有所改进，那么x就不是最优解。即对于求极小值问题， 存 　　　　 m ? 　在xj，有cj-Σ ciaij＜0，则现行基本可行解x尚未达到最优。? i=1 　 式中ci,为第i行基变量目标函数系数。 　　　对于现行基本可行解，如果令非基变量xj进入基，那末xj=1时第i行基变量的减少值就等于aij，所以检验数中第2 项表示引入xj=1后目标函数的减少值。 　　　３. 如果x未达到最优，则可用一非基变量换出一个基变量，得到一个新的基本可行解x， 并通过初等变换使单纯形表中的新的基变量的系数构成单位矩阵，然后再做新的一轮判别计算。计算将一直这样继续下去，直至达到最优。 　　　４. 保证最优解中不包含人工变量的方法有两种：大M 法和两阶段法。本程序采用的是两阶段法。第一阶段，制造出一个新的目标函数来求解。对于求极小值问题，新目标函数仅包含人工变量，并令系数为1。如果原问题有最优解， 这个阶段的最优解为零，且不含人工变量，如不为零则原问题不可行。如果第一阶段得到不含人工变量最优解，则立即转入第二阶段，恢复原目标函数，开始新的迭代计算。 　 ５. 既然xj=1时，第i行基变量的减少值为aij，因此，在迭代过程中，如果存在xj，有ai,j≤0，i=1,2,...,m，那末要将xj引入基中，现行解中任何一个基变量的值都不会变为零，即不会退出现行基。此时，原问题的解无界，即无最优解。 ? 　二、灵敏度分析 ??? 在求解一个线性规划问题时，方程系数和常数项(a,b,c) 当然是作为常数看待的。但实际上这些数据并不完全是确知的，我们采用了估计值，那么结果可靠吗？或者在花了很大气力求解一个问题之后，有关数据发生了变化，是不是需要再计算一次呢？在此情况下，就要求确定这些数据在什么范围变化时，问题的最优解保持不变（指最优解的基变量构成保持