第五章单命纯形法.ppt

第二章 线性规划的图解法 §2.1 问题的提出 目标函数： max Z=50x1+100x2， 满足约束条件：x1+x2≤300， 2 x1+x2≤400， x2≤250, x1≥0, x2≥0. 由于上述数学模型的目标函数为变量的线性函数，约束条件也为变量的线性等式或不等式，故此模型称之为线性规划。如果目标函数是变量的非线性函数，或约束条件中含有变量非线性的等式或不等式的数学模型则称之为非线性规划。 把满足所有约束条件的解称为该线性规划的可行解。把使得目标函数值最大(即利润最大)的可行解称为该线性规划的最优解，此目标函数值称为最优目标函数值，简称最优值。 问题的解： 最佳决策为x1=50, x2=250，此时z=27500。 这说明该厂的最优生产计划方案是生产I产品50单位，生产Ⅱ产品250单位，可得最大利润27500元。 把x1=50, x2=250代入约束条件得： 50+250=300台时设备 2×50+250=350千克原料A， 1×250=250千克原料B． 这表明了生产50单位Ⅰ产品和250单位Ⅱ产品将消耗完所有可使用的设备台时数和原料B，但对原料A来说只消耗了350千克，还有(400—350)=50千克没有使用。在线性规划中，对一个≤约束条件中没使用的资源或能力的大小称之为松弛量。 松弛变量和线性规划标准化 为了把一个线性规划标准化，需要有代表没使用的资源或能力的变量，称之为松弛变量，记为Si。显然这些松弛变量对目标函数不会产生影响，可以在目标函数中把这些松弛变量的系数看成零，加了松弛变量后我们得到如下的例1的数学模型： 目标函数： max Z=50x1+100x2+0s1+0s2+0s3， 约束条件： x1+x2+s1=300, 2x1+x2+s2=400, x2+s3=250, x1,x2,s1,s2,s3≥0 线性规划问题解的有如下特点： 1．如果某一个线性规划问题有最优解，则一定有一个可行域的顶点对应一个最优解。 2．线性规划存在有无穷多个最优解的情况。若将例1中的目标函数变为求max Z =50x1+50x2，则可见代表目标函数的直线平移到最优位置后将和直线x1+x2=300重合。详见下图。 此时不仅顶点B，C都代表了最优解，而且线段BC上的所有点都代表了最优解，这样最优解就有无穷多个了。当然这些最优解都对应着相同的最优值（只有一个）： 50x1+50x2=50×50+50×250=15000。 二、线性规划的数学模型 例：将下述线性规划化为标准型 图解法结论 解的情况： 有可行解 ⊙有唯一最优解 ⊙有无穷最优解 ⊙无界解(无最优解） 无可行解 从图解法可以看出一般情况下 （1）具有两个变量的线性规划问题的可行域是凸多边形。 （2）若线性规划存在最优解，它一定在可行域的某个顶点得到。 虽然图解法只能求解包含2个变量的问题，作为算法，没有太大价值，但是上述结论却非常有意义。它将搜索最优解的范围从可行域的无穷多个点缩小到有限几个顶点。这就开启了人们的思路。而后面我们要介绍的求解多维线性规划的单纯形法就是在此结论的基础上推广得到的。 第一节 单纯形法原理 一、线性规划规划问题的解的概念 （一）线性规划问题标准型 （1）可行解：满足上述约束条件(1.7),(1.8)的解X=(x1,…,xn)T，称为线性规划问题的可行解。全部可行解的集合称为可行域。(我们把决策变量的一组取值称为线性规划问题的一个解,//满足约束条件（1.7）的X，称为线性规划问题的解) （2）最优解：使目标函数(1.6)达到最大值的可行解称为最优解。 （3）基：设A为约束方程组(1.7)的m×n阶系数矩阵，（设nm），其秩为m，B是矩阵A中的一个m×m阶的满秩子矩阵，称B是线性规划问题的一个基。不失一般性，设 B中的每一个列向量Pj(j=1,…,m)称为基向量，与基向理Pj对应的变量xj称为基变量。线性规划中除基变量以外的变量称为非基变量。 线性规划基解的概念 记线性规划问题为 maxZ= CX