应用运筹学-5.pptVIP

整数规划 整数规划的数学模型 分枝定界解法 0-1型整数规划 指派问题 整数规划数学模型的一般形式 整数规划的例子 整数规划解的特点 一、整数规划的数学模型 整数规划：要求部分或全部决策变量必须取整数值的规划问题称为整数规划(Integer Programming，简记IP)。 松弛问题：不考虑整数规划的整数条件，而由余下的目标函数和约束条件构成的规划问题称为该整数规划的松弛问题(Slack Problem)。 若松弛问题是一个线性规划，则称该整数规划为线性整数规划(Integer Linear Programming)。其一般形式为： 1.1整数规划数学模型的一般形式 纯整数线性规划(Pure Integer Linear Programming): 全部决策变量都必须取整数值的整数线性规划问题。 混和整数线性规划(Mixed Integer Linear Programming): 决策变量中有一部分必须取整数值，另一部分不取整数值的整数线性规划问题。 0-1整数线性规划(Zero-One Integer Linear Programming): 决策变量只能取值0或1的整数线性规划问题。 整数线性规划问题的几种类型 例1 某服务部门各时段(每2h为一时段)需要的服务员人数见下表。按规定，服务员连续工作8h(即四个时段)为一班。现要求按排服务员的工作时间，使服务部门服务员总人数最少。 1.2整数规划的例子(1) 时段 1 2 3 4 5 6 7 8 服务员最少数目 10 8 9 11 13 8 5 3 [分析]设在第j时段开始上班的服务员人数为xj。由于服务员将连续工作四个时段，故决策变量只需考虑x1,x2,x3,x4,x5。 整数规划的例子(1续) 问题的数学模型为： 例2 现有资金总额B。可供选择的投资项目有n个，项目j所需投资额和预期收益分别为 aj和cj(j=1,2,…,n)。此外，由于种种原因，有三个附加条件： 1) 若选择项目1，就必须同时选择项目2。反之，则不一定； 2) 项目3和项目4中至少选择一个； 3) 项目5,6和7中恰好选择两个。 试问：应当怎样选择投资项目，才能使总预期收益最大？ 整数规划的例子(2) [分析] 每一个投资项目都有被选择和不被选择的可能，为此令： 整数规划的例子(2续) 问题可表示为： 整数线性规划及其松弛问题，从解的特点上看，二者之间既有密切的联系，又有本质的区别。 松弛问题作为一个线性规划问题，其可行解集合是一个凸集，任意两个可行解的凸组合仍为可行解； 整数规划问题的可行解集合是它的松弛问题可行解的子集，任意两个可行解的凸组合不一定满足整数约束条件，因而不一定仍为可行解； 整数规划问题的可行解一定是其松弛问题的可行解；反之，不然； 整数规划问题的最优解是只其松弛问题的可行解(并不一定达到最优)；但一定不会优于松弛问题的最优解。 1.3整数规划解的特点 2x1+5x2=13 5x1+4x2=24 O x1 4.8 6.5 整数规划解的特点(续) 考虑整数线性规划 x2 2.6 6 该整数线性规划松弛问题的最优解 x1=4.8,x2=0,z*=96 该整数线性规划的最优解 x1=4,x2=1,z*=90 分枝定界法(Branch and Bound Method)：上世纪六十年代初由Land Doig 和 Dakin 等人提出的。 二、分枝定界解法 求解问题B，若其最优解不符合问题A的整数条件，则B的最优目标函数值必是问题A的最优目标函数值z*的上界，记作　； 基本思想： 设有最大化整数线性规划问题A，问题B是问题A的松弛问题； 而问题A的任意可行解的目标函数值是z*的一个下界，记作z； z ，分枝定界法就是将问题B的可行域分成子区域 (分枝)的方法，逐步减少 增大z ，最终求得z*。 整数线性规划问题A，问题B是问题A的松弛问题。 “分枝” 若问题B的最优解不符合整数要求，不妨 不符合整数要求，则构造两个约束条件： 分别将上述的两个约束条件并入问题B中，从而形成两个分枝，即问题B的两个后继问题。 问题B的这两个后继问题的可行域中包含了问题A的所有可行解。 而各后继问题又可类似地产生自己的后继问题； 如此不断继续，直至获得整数规划的最优解。 在分枝过程中，若某个后继问题恰巧获得整数规划问题的一个可行解，那么，它的目标函数值就是一个界限。可作为衡量处理其他分枝的一个依据。 因为整数规划问题的可行解集是其松弛问题可行解集的一个子集，前者最优解的目标函数值不会优于后者最优解的目标函数值。 所以，对于那些相应松弛问题最优解的目标函数值比上述“界限”值差的后继问题，就可以剔除而不再考虑了。 如果在以后的分枝过程中出现了更好的“界限”，则取代原来的界限