七讲线性规划与非线性规划方法次课教程.pptVIP

第七讲 线性规划与非线性规划 内容: 本讲主要介绍线性规划问题的求解 目的: 接触最优化问题,学习线性规划算法的 MATLAB实现(基于单纯型法变种) 要求: 能够直接对小规模线性规划问题进行求解 了解线性规划问题的基本概念、形式和算法 掌握线性规划问题的图解法(2维)和lp算法 通过范例,掌握线性规划问题求解一般过程 关于线性规划的引入和概述~ 线性规划隶属于运筹学中的约束优化，简单说就是目标函数(希望进行最优化的指标)和约束条件(决策变量受到的限制)均为线性函数的约束优化(否则称为非线性规划) 线性规划问题是企业运作、科技研发和工程设计的常见问题，应用十分广泛。具有代表性的算法有单纯型法、椭球法和Karmarkar算法。随着计算机硬件和软件技术发展，几十万变量和约束的线性规划问题已经很普通。 MATLAB优化工具箱 Optimization Toolbox 采用投影法(单纯型法变种)，由函数linprog实现求解。 解决规划问题的基本流程~ 第1步：问题的分析理解及描述（数学建模） 第2步：解决问题的整体目标（目标函数） 第3步：影响目标的各种限制条件（约束条件） 第4步：应用相关函数获得求解（算法实现） 哪样一些问题可以描述成为线性规划问题？ 线性规划模型的一般形式 当 均为线性函数，上述优化模型称为线性规划，否则称为非线性规划。 关于线性规划的形式，有诸如标准形式、规范形式等~之分，在这里我们只关心MATLAB能够接受的形式： 一般来说不同形式之间可以转换(YCXp14) z目标函数/c价值向量/A约束矩阵/b右端向量 一个满足约束的x-可行解/可行解集合-可行域 线性规划的图解法(2维情形)1 通过一个简单的实例,巩固对线性规划的若干 概念的理解： exp.1 图解法求解线性规划问题: 将前三个约束条件的不等号改为等号,就是如上三条直线,下面考察直线L1, L2, L3及坐标轴围成的可行域: 线性规划的图解法(2维情形)2 如图所示:五边形OQ1Q2Q4Q3构成可行域 x1 x2 o L1 L2 L3 Q1 Q2 Q4(4,1) Q3 Z1 Z2 Z3 Z4 Z5 当目标函数z=3x1+x2取不同值时，表示一组平行直线，如图中虚线，最优解在Q4点，Zmax=13 线性规划的图解法(2维情形)3 一些直观结论和定理： 在2维情形下，可行域为直线组成的凸多边形，目标函数的等值线为直线，最优解在凸多边形的 某个顶点处取得。 可行域空集，如改例中第3个约束为-3x1+2x2?14，则无最优解； 可行域无界，如去掉例中第3个约束-3x1+2x2?14，则可能无最优解； 无穷多最优解，如改例中第3个约束为3x1+x2 ? 14，则最优解在凸多边形一条边上取得； 推广到n维欧氏空间，线性规划问题若有最优解，则最优解必是作为可行域的凸多面体的某个顶点。 线性规划的LP解法 相关函数介绍：lp x=lp(c,A,b) x=lp(c,A,b,v1,v2) % 即有约束v1?x ? v2 x=lp(c,A,b,v1,v2,x0) % x0为初始解，缺省为0 [x,lag]=lp(…) % lag为拉格朗日乘子，非 零分量对应于起作用的约束条件 [x,lag,how]=lp(…) % how给出求解信息，无 可行解infeasible,无有界解unbounded,成功ok 不过在高版本中lp已被linprog取代！ lp函数求解示例： 针对前述exp.1可如下计算： c=-[3,1]; a=[-1,1;1,-2;3,2]; b=[2,2,14]; v1=[0,0]; x=lp(c,a,b,v1) z=-c*x x = 4.0000 1.0000 z = 13.0000 c=-[3;1]; a=[-1,1;1,-2;3,2]; b=[2;2;14]; v1=[0,0]; x=lp(c,a,b,v1) z=-c*x 线性规划的LP解法 相关函数介绍：linprog x=linprog(f,A,b) x=linprog(f,A,b,Aeq,beq) % 增加约束Aeq*x=beq x=linprog(f,A,b,Aeq,beq,lb,ub) % 设计变量下上界 [x,fval,exitflag,output,lambda]=linprog(…) % fval返回目标函数值/exitflag返回退出条件/output返回优