[理学]第二章线性规划1.ppt

地平线多媒体演示 引 言 解决有限资源在有竞争的使用方向中如何进行最佳分配。 线性规划是运筹学的一个重要分支，也是运筹学中应用最广泛的方法之一。自1947年丹捷格（G. B. Dantzig）提出了一般线性规划问题求解的方法——单纯形法（simplex method）之后，线性规划已被广泛应用于解决经济管理和工业生产中遇到的实际问题。调查表明，在世界500家最大的企业中，有85%的企业都曾使用过线性规划解决经营管理中遇到的复杂问题。线性规划的使用为应用者节约了数以亿万计的资金。 本讲中我们将讨论什么是线性规划问题，线性规划问题的数学表示，基本理论、概念和求解方法。 线性规划问题是什么样的一类问题呢？ 请看案例------ 例1 生产计划问题 线性规划问题的提出 问题解决要满足一定的条件，称为约束条件； 问题有多个满足条件的解决方案； 问题解决有明确的目标要求，对应不同方案有不同目标值，可表示成目标函数. 何谓线性规划问题 最优化问题 我们称如下一般问题：“在一定约束条件下，求目标函数的最大或最小值”为最优化问题，用数学模型描述的最优化问题，称为规划问题。 线性规划问题 在最优化问题中，如果约束条件与目标函数均是线性的，称之为线性规划问题。 通常建立LP模型有以下几个步骤： 确定决策变量： 决策变量是模型要确定的未知变量，也是模型最重要的参数，是决策者解决实际问题的控制变量。 确定目标函数： 目标函数决定线性规划问题的优化方向，是模型的重要组成部分。实际问题的目标可表示为决策变量的一个线性函数，并根据实际问题的优化方向求其最大化（max）或最小化（min）。 确定约束方程：一个正确的线性规划模型应能通过约束方程来描述和反映一系列客观条件或环境的限制，这些限制通过一系列线性等式或不等式方程组来描述。 变量取值限制：一般情况下，决策变量取正值（非负值）。因此，模型中应有变量的非负约束即Xj≥0，但也存在例外。 如何求解一般的线性规划呢？ 下面我们分析一下简单的情况—— 只有两个决策变量的线性规划问题，这时可以通过图解的方法来求解。图解法具有简单、直观、便于初学者窥探线性规划基本原理和几何意义等优点。 可行域的性质 线性规划的可行域是凸集 线性规划如果有最优解，最优解至少在可行域的一个极点上 单纯形法是这样一种迭代算法——如下图… 当Zk中非基变量的系数全为正值时，这时的基本可行解Xk即是线性规划问题的最优解，迭代结束。 单纯形表 在式（1）中令： X1=X2 =0， 我们得到一个基础可行解 X1 =（ X1，X2，X3，X4 ）T=（0，0，120，50）T ， 其对应的目标函数值 Z1 = -50X1 - 30X2 = 0 最优性检验： 基础可行解 X1是最优解吗？显然不是。应寻找更好的解。从问题的数学角度分析，在式（1）的目标函数中，非基变量X1，X2前的系数都为负，表明目标函数值有减少的可能了。只要将目标函数中系数为负的某非基变量与某一基变量地位对换。 换基迭代： 进行换基就是要从非基变量中选一个变量入基，再从基变量中选一个变量出基。并且换基后仍需满足： 1、新的解仍是基础可行解； 2、目标函数值将得到改善。 选择入基变量： 由于在目标函数Z1=-50X1-30X2 中X1，X2的系数都为负，哪一个入基都可使目标函数值得到改善。对于求目标函数极小化的问题，我们希望目标值减少得越快越好，因此系数最小的X1入基。 选择出基变量： X1入基后，其值从零增加并由于约束条件的原因会引起其他变量的变化。由式（1）以及变量必须取正值的条件，我们可以得到下列不等式关系： X3 = 120 - 4X1- 3X2 ≥0 X4= 50 - 2X1- X2 ≥0 单纯形法原理（3）—第一次叠代 因为迭代后X2仍为非基变量（仍会令其取值为零），则上式可简化为：120 - 4X1 ≥0 50 - 2X1 ≥0 由此可以看出，虽然我们希望X1入基后取正值，且取值越大目标值减少越多，但是，X1又得受到约束。 显然，只有取X1 =min（120/4，50/2）=25时，才能使上述不等式成立，并且恰使基变量X4变为零，这正好满足非基变量必须取值零的条件，所以可令X4出基，方程变为： 4X1+ X3 =120- 3X2 2X1 = 50- X2 - X4