运筹学——纯形方法.docxVIP

PAGE \* MERGEFORMAT 6 单纯形方法 线性规划基本定理. 给定线性规划的标准形式如下： max cTx (1) s.t. Ax = b, x 3 0, (2) 其中A是秩为m的m′n阶矩阵, b 3 0. i) 如果存在可行解, 则存在基可行解; ii) 如果存在最优解, 则存在最优的基可行解. 这个定理将求解线性规划的任务变成为搜索基可行解。因为对有n个变量和m个约束问题，基可行解最多不超过下面的数： n 定理(顶点和基解等价). 设K是包括所有满足(2)的n维向量x的凸多面体。则向量x是凸多面体K的一个顶点当且仅当x是一个基可行解。 线性规划中的问题 根据线性规划基本定理，解线性规划只需要在约束凸多面体的所有顶点上寻找最优解。因此，我们需要考虑的问题有： 1. 怎样找到一个基可行解？ 2. 判别基可行解是否最优解。 3. 从非最优的基可行解找到另一个基可行解，使目标函数值增大。 4. 如果问题无最优解，能发现一族可行解，使目标函数无上限。 对于我们前面提出的四个问题，单纯形方法能解决其中的问题2-4。换句话说，单纯形方法要求一个已知的基可行解。 当从非最优的基可行解找到另一个基可行解时，为了保证目标函数值增大，单纯形方法还要求如下的假定，这引入了下面的概念： 退化解和非退化解：设x 0 = [B- 1b, 0]是一个基可行解，如果有基变量的取值是0，即B- 1b中有分量等于零，则称基可行解x 0是退化的。否则，称x 0是非退化的。 非退化假定：假设线性规划的每个基可行解都是非退化的。 给定线性规划的标准形式如下： max cTx (1) (LP) s.t. Ax = b, (2) x 3 0, (3) 其中A是行满秩的m′n阶矩阵, b 3 0. 单纯形方法是在已知一个基可行解的情况下，寻找线性规划的最优基可行解的算法。 强调一下：单纯形方法就是在已知一个基可行解的情况下，寻找线性规划的最优基可行解。 单纯性方法直接能解决问题2-4。而问题1可以使用辅助线性规划来解决。 我们首先来解决问题2。 对线性规划(LP)，假设知道一个基可行解x0。因此，就有一个可行基B，假设B由约束系数矩阵A的前面m列构成，对应的基变量用xB表示， xD表示非基变量。这样，我们就可以将决策变量x，价值系数c和约束矩阵A分块成 x = [xB, xD]， c = [cB, cD] 和 A = [B, D]。 于是，线性规划可以被写成下面的形式： max c s.t. BxB + DxD = b, (4) xB, xD 3 0. 基可行解x0就是在约束方程(4)中令非基变量xD = 0得到的结果。因为基B是可逆矩阵，所以有xB 单纯形方法怎么判断基可行解x0 = [B-1b, 0]是否是最优的基可行解呢？ 我们从约束方程(4)解出所有的基变量xB ，用非基变量xD表示，得到 xB = B-1b - B-1DxD, (5) 把由(5)表示的基变量代入到目标函数中，就有 z= 整理后得到 z= 当非基变量xD = 0时，得到z(x 我们令s = (sm+1, …, sn) = c 这里s 是行向量，并且正好是用非基变量表示的目标函数中所有变量的系数。而目标函数可以写成 我们看到，如果有某个sj 0，取非基变量xj 0，则 目标函数值= z(x0) + sj xj z(x0)。 这样得到的一个x还是可行解吗？在非退化假定下，我们可以从方程(5)中得到这样的一个可行解。我们回头看看方程(5) xB = B-1b - B-1DxD, (5) 因为基可行解都是非退化的，所以B-1b 0。当xj 0充分小时，可以保证xB 0。因此，可以得到一个可行解x具有非基变量xj 0。从而有z(x) = z(x0) + sj xj z(x0)