线性规划：linprog函数.docxVIP

Linprog针对的线性函数模型为 这里是向量，是矩阵。 Linprog计算算法为： 约束优化问题的拉格朗日乘法 单纯形法 Linprog函数的格式为： 1. 求解目标函数，约束 输入：目标函数系数向量 不等式约束系数矩阵 不等式约束常数向量 输出： ：最优解 2. 输入：：等式约束系数矩阵 ：等式约束常数向量 3. 输入：：可行域下界 ：可行域上界 4. 输入：：初始迭代点 5. 输入：：优化参数设置 6. 输出：：最优化目标函数值 7. 输出：算法停止原因 8. 输出：：优化结果的约束信息 9. 输出：：结果对应的拉格朗日乘子 输出参数说明： ：返回算法迭代停止原因 返回值：1 算法收敛于解x，即x是线性规划的最优解 算法达到最大迭代次数停止迭代，即x不一定是线性规划的最优解 -2 算法没有找到可行解，即算法求解失败，问题的可行解集合为空 -3 原问题无解，即最优解可能为正（负）无穷 -4 在算法中出现除零问题或其他问题，导致变量中出现非数值情况 -5 线性规划的原问题与对偶问题都不可解 -7 可行搜索方向向量过小，无法再提高最优解质量 ：返回解得拉格朗日乘子与约束符合情况 :求得解越下界 ：求得解越上界 ：求得解不满足不等式约束 ：求得解不满足等式约束 ：返回算法信息 ：计算时使用的优化算法 ：共轭梯度迭代次数 ：算法迭代次数 ：返回结束信息 实例1： 使用 输入： f=[-1,-1,-1];%目标函数系数 A=[7,3,9;8,5,4;6,9,5];%不等式约束的系数矩阵 b=[1,1,1,];%不等式约束的b Aeq=[];%等式约束的系数矩阵 beq=[];%等式约束的beq lb=[0,0,0];%变量的下界 ub=[];%变量的上界 [x,fval,exitflag,output,lambda]=linprog(f,A,b,Aeq,beq,lb,ub) 输出： Optimization terminated. x = 0.0870 0.0356 0.0316 fval = -0.1542 exitflag = 1 output = iterations: 7 algorithm: large-scale: interior point cgiterations: 0 message: Optimization terminated. lambda = ineqlin: [3x1 double] eqlin: [0x1 double] upper: [3x1 double] lower: [3x1 double] 使用的单纯形法 输入： f=[-1,-1,-1];%目标函数系数 A=[7,3,9;8,5,4;6,9,5];%不等式约束的系数矩阵 b=[1,1,1,];%不等式约束的b Aeq=[];%等式约束的系数矩阵 beq=[];%等式约束的beq lb=[0,0,0];%变量的下界 ub=[];%变量的上界 options=optimset(LargeScale,off,Simplex,on,Display,iter); [x,fval,exitflag,output,lambda]=linprog(f,A,b,Aeq,beq,lb,ub,[],options) 输出： The default starting point is feasible, skipping Phase 1. Phase 2: Minimize using simplex. Iter Objective Dual Infeasibility f*x A*y+z-w-f 0 0 1.73205 1 -0.125 0.625 2 -0.136364 0.5 3 -0.15415 0 Optimization terminated. x = 0.0870 0.0356 0.0316 fval =