1.4线性规划.ppt

第 1章 线性规划 1.4大M法算法与编程实践 1.4.1 大M法算法的原理 1.4.2 大M法算法的程序流程图 1.4.3 大M法算法的实例及操作 1.4 大 M 法算法与编程实践 1.4.1大M法算法的原理 对于求最大化的问题，我们假定人工变量在目标函数中的系数为（-M），M为很大的正数。只要在基变量中还存在人工变量，目标函数就不可能实现最大化。若对目标函数求最小的问题，假定人工变量在目标函数中的系数为（+M），在最终单纯形表中若人工变量还留在基中，则目标函数就不可能达到最小值。这就是大M法的基本原理。 假设，给定如下问题P： max Z =CTX min AX≤b（或＝、≥） X≥0 注：（1）问题min Z= CTX可以根据min Z= - max（-Z）转化为极大化问题。 （2）上式中A为约束方程组的系数矩阵，X为决策变量，b为限定向量（常数项），C为目标函数系数。 解题步骤： 第一步：约束变换。 AX≤b AX+Y＝b AX＝b AX+U＝b AX≥b AX-Y+U＝b { 式中Y为松弛变量，U为人工变量。调整约束不等式的位置，使最后k行中的基变量为人工变量。构造不带目标函数的初始表格。 第二步：变换目标函数。 （1）变min Z= CTX为max -Z=-CTX。 （2）加入人工变量变为max Z=CTX-MTZ（其中MT为一个很大的正数所构成的列向量，Z为人工变量）。 （3）消去目标函数中的人工变量。 第三步：求检验数dj，即通过初等行变换，将所有的基变量对应的目标函数系数全变为0，得到的结果 即为检验数。同时得到一相应的目标函数的初始值。 第四步：判断。任意j，dj ≧0是否成立？ 若是，则转至第七步； 若否，则转至第五步。 1.4 大 M 法算法与编程实践 1.4.1大M法算法的原理 第五步：寻找主元。 （1）找主元素列s。检验数行中最小负数所在的列称之为主列，即求， d s =min{ d j |d j 0}。 （2）判别，存在ais0？若存在，则转至（3）；若否，则停止运算，该线性规划问题具有一个无界的解。 （3）找主元素行r。计算限定向量列与主列在同一行上的正数的比值，比值最小者所在的行称为主行，即求， = min{ |ais0} （其中，i = 1，2，…m） 注：主行与主列的交点处元素即为所求的主元。 第六步：换基迭代,进行初等行变换。 （1）变换主元素行，将主元素化为1，同时对限定向量进行相应的变换。方法是将第r行元素和同除以主元ars，变换关系式： arj = （其中，j = 1，2，…n+m） = （2）变换其它行，将第s列元素除了ars已变为1外，其余均变为零。方法是将除第r行外的各行减去 第r行乘以一个相应的旋转因子，变成新的第i行，变换关系式： aij = aij - * arj （其中，i =1,2,…m；j = 1，2，…n+m） dj = dj - * arj （其中，j = 1，2，…n+m） = - * 1.4 大 M 法算法与编程实践 1.4.1大M法算法的原理 （3）转至第四步。 第七步：基变量中仍有人工变量否？ 若是，则原线性规划问题无解； 若否，则所得单纯形表即为最终单纯形表，停止计算。 第八步：最优解中，存在人工变量取值大于零否？ 若是，则原线性规划问题无解。 若否，则输出最优解和最优值。 说明，采用大M法求解线性规划问题时，需要注意一下几点： （1）为使加到约束方程中的人工变量最终取值为零，对于求最大化（Max）的目标函数，要加上（-M）与人工变量的乘积之和；对于求最小（Min）的目标函数，要加上M与人工变量之和。这里M是一个很大的正数，在实际计算中把M看作是一个不 变的参数。 （2）在用单纯形法迭代时，首先要消去目标函数中的基变量，然后再列出初始单纯形表，这样目标函数中只含有非基变量的系数即为检验数。 （3）在迭代过程中，M比任何已知的数都大，在程序中给定一个比已知数大得多的正数作为M代入。 （4）因为M 比任何已知数都大，因此在迭代过程中，一旦某人工变量退出基变量，便永远为零，不必再考虑这个变量。 （5）大M法无解的情形还有特别需要注意的一种情况：若最优解中，人工变量取值大于零，原线性规划问题也无可行解。 例如： 给定如下题P： min Z = -6x1-4x2