最优化方法第3章.pptVIP

第 三 章 线 性 规 划 概述 线性规划是最简单、理论最为成熟、应用最为广泛的一种数学规划方法。 线性规划问题的提出：最早是1939年由前苏联数学家康托洛维奇在研究铁路运输的组织问题、工业生产的管理问题时提出来的。 1947年，美国学者丹西格（G.B.Dantzig）提出了线性规划问题的单纯形方法，使线性规划的算法趋于成熟。 3.1 线性规划模型 一.问题的提出 例1:某工厂拥有A、B、C 三种类型的设备，生产甲、乙两种产品。每件产品在生产中需要占用的设备机时数，每件产品可以获得的利润以及三种设备可利用的时数如下表所示，问：工厂应如何安排生产可获得最大的总利润？ 对设备C，两种产品生产所占用的机时数不能超过75，于是可以得到不等式：3x2 ≤75 ； 产品数不可能为负，即 x1 ,x2 ≥0。 目标函数：即获取最大利润。于是可写出目标函数z为相应的生产计划可以获得的总利润：z=1500x1+2500x2 。 综上所述，在加工时间以及利润与产品产量成线性关系的假设下，把目标函数和约束条件放在一起，可以建立如下的线性规划模型： 目标函数 Max z =1500x1+2500x2? 约束条件 s.t. 3x1+2x2≤ 65 2x1+x2≤ 40 3x2≤ 75 x1 ,x2 ≥0? 这是一个典型的利润最大化的生产计划问题。其中，“Max”是英文单词“Maximize”的缩写，含义为“最大化”；“s.t.”是“subject to”的缩写，表示“满足于……”。因此，上述模型的含义是：在给定条件限制下，求使目标函数z达到最大的x1 ,x2 的取值。 2.约束条件为“≤”时 ∑aijxj≤bi → ∑aijxj + xn+i = bi xn+i—— 松弛变量(slack variable)； 3.约束条件为“≥”时 ∑aijxj ≥ bi → ∑aijxj － xn+i = bi xn+i—— 过剩变量(surplus variable)； 显然， xn+i具有非负约束，即xn+i ≥0 这样处理所得最优解不变； max z =x1+10x2 x1 + 2x2≤100 x1、x2≥0 4. 若xk为无符号限制 则令xk=xk1－xk2，其中xk1、xk2≥0 5. 若bi 0，则－bi 0 举例: 化下列线性规划为标准形 max z=2x1+2x2－4x3 s.t. x1 + 3x2－3x3 ≥30 x1 + 2x2－4x3≤80 x1、x2≥0，x3无限制 四.矩阵形式 线性规划的一般形式： Max cTx (LP) s.t. Ax ≤ b x≥0 其中： c , x ?Rn b ?Rm A: m?n 矩阵 线性规划的标准形式： Max cTx (LP) s.t. Ax = b x≥0 其中： c , x ?Rn b ?Rm A：m?n 矩阵 3.2 线性规划的图解法 一、基本概念 可行解(Feasible Solution)——任一满足约束条件的一组决策变量的数值； 可行域(Feasible Region)——所有可行解组成的集合，也称为可行解集； 目标函数等值线(Objective function line)——为于同一直线上的点，具有相同的目标函数值. 二、图解法步骤(Procedure) 画出线性规划问题的可行域R； 画出目标函数的梯度向量； 画出目标函数等值线族； 找最优点：沿梯度方向移动时，目标函数值不断增加，因此，当平移直线刚要离开R时的“最后交点”，即为最优。（即满足约束，又使目标函数值最大的点） 三、图解法举例 例1 max Z=50x1+100x2 x1 + x2≤300 2x1 + x2≤400