浙大城院数学建模5分析.ppt

第五章、优化模型 ;§ 5.5 森林救火费用最小问题 § 5.6 光学中的折射原理 § 5.7 身体结构得优化 ; 经济管理和科学研究等领域中经常会遇到的问题类型之一。在很多情况下，我们会凭经验解决面临的优化问题，这样做看似有效，风险也较小，但决策时常常会融入太多决策者的主观臆断，因而无法保证结果的最优性。那么，是否一定要做大量的试验来探索最优方案呢？;§ 5.1 线性规划模型; 某厂生产甲、乙两种产品，每单位产品销售后的利润分别为4千元与3千元。生产甲产品需用A、B两种机器加工，每单位产品的加工时间分别为 2小时和1小时；生产乙产品需用A、B、C三种机器加工，每单位产品的加工时间为每台机器各一小时。若每天可用于加工这两种产品的机器时数分别为A机器10小时、B机器8小时和C机器7小时，问该厂应当生产甲、乙两种产品各多少，才能使总利润最大？ ;例5.1的数学模型; 线性规划的目标函数可以是求最大值，也可以是求最小值，约束条件可以是不等式也可以是等式，变量可以有非负要求也可以没有（称没有非负约束的变量为自由变量）。为了避免这种由于形式多样性而带来的不便，规定线性规划的标准形式为;或更简洁地，利用矩阵与向量记为; 如果根据实际问题建立起来的线性规划问题并非标准形式，可以将它如下化为标准形式：;例如，例5.1并非标准形式，其标准形式为; 为了了解线性规划问题的特征并导出求解它的算法，我们先应用图解法来求解例5.1。满足线性规划所有约束条件的点被称为问题的可行点（或可行解），所有可行点构成的集合被称为问题的可行域，记为R。对于每一固定的值z，使目标函数值等于z的点构成的直线称为目标函数等位线，当z变动时，我们就得到了一族平行直线（见图5-1）。 ;图 5-1 （注：）;（3）若线性规划存在有限最优解，则必可找到具有最优目标函数值的可行域R的“顶点”，（注：我们称这种“顶点”为极点）。; 上述论断可以推广到一般的线性规划问题，区别只在于空间的维数。在一般的n维空间中，满足某一线性等式aix=bi的点集被称为一个超平面，而满足某一线性不等式aix≤bi（或aix≥bi）的点集被称为一个半空间（其中ai为一n维行向量，bi为一实数）。若干个半空间的交集被称为多胞形，有界的多胞形又被称为多面体。易见，线性规划的可行域R必定为多胞形（为统一起见，空集Φ也被视为多胞形）。; 给定一个标准形式的线性规划问题（5.3），其中A=(aij)mxn，m n且秩r(A)=m。取出A的m个线性无关的列，这些列构成A的一个m阶非奇异子矩阵B，称B为A的一个基矩阵。A的其余n－m列构成一个m×(n－m)矩阵N。称对应于B的列的变量为基变量（共有m个），记它们为xB。其余变量称为非基变量，记为xN。 ; 对线性规划（5.3），取定一个基矩阵B，令非基变量xN = 0，可以唯一地解出xB，xB = B-1b。这样得到的点x=（B-1b，0）称为（5.3）的一个基本解。为了叙述方便起见，这里我们将xB放在了前面，其实，它们的位置可以任意，但这并不影响到问题实质。显然，基本解不一定是可行解，因为还要求它们满足非负约束，当一个基本解同时还是可行解时（即B-1b≥0），称之为（5.3）的一个基本可行解。进而，若B-1b0，则称x=（B-1b，0）为（5.3）的一个非退化的基本可行解，并称B为一组非退化的可行基。由于基矩阵最多只有种不同的取法，即使A的任意m列均线性无关，且对应的基本解均可行，（5.3）最多也只能有个不同的基本可行解。;定理5.1 ;定理5.2 ; 从模型本身来讲，线性规划显然应属于连续模型。但定理5.2表明，如果线性规划具有有限最优解，我们只需比较各个基本可行解上的目标函数值，即可找到一个最优解，而问题的基本可行解至多只有有限个，从而问题化为一个从有限多个极点中去选取一个最优点的问题。正是基于这样一种想法，Dantzig提出了求解线性规划问题的单纯形法。;Dantzig单纯形法的基本步骤如下：;设B为一组非退化的可行基，x0=（B-1b，0）为其对应的基本可行解。现在，我们来讨论如何判别x0是否为最优解。为此，考察任一可行解;定理5.3 最优性判别定理 ;证明; 定理5.3不仅给出了判别一个基本可行解是否为最优解的准则，而且在x0非最优解时还指出了一条改进它的途径。由于rN在判别现行基本可行解是否为最优解时起了重要作用，所以rN被称为x0处的检验向量，而rj(j∈N)则被称为非基变量xj的检验数。; 利用单位矩阵I消第一行的 为零向量，则 被消成 ，而0则被消成 。将消去后的行向量写到最后一