第3讲线性与整数规划.ppt

LINDO和LINGO软件能求解的优化模型 实例1 生产计划问题 某厂生产甲乙两种口味的饮料，每百箱甲饮料需用原料6千克，工人10名，可获利10万元；每百箱乙饮料需用原料5千克，工人20名，可获利9万元。现工厂共有原料60千克，工人150名。问如何安排生产计划，即两种饮料各生产多少使获利最大？ 3、若以百箱为最小生产单位，怎么办？ 对原模型增加整数解的要求 —— 整数规划 3.5 整数规划 在前面讨论的线性规划问题中，有些最优解可能是分数或小数，但对于某些问题，常要求解必须是整数(称为整数解)。我们称这样的问题为整数规划 (Integer Programming)，简称 IP； 整数规划的分类 如果所有的变量都限制为(非负)整数，就称为纯整数规划(Pure Integer Programming)或称为全整数规划(All Integer Programming)； 如果仅一部分变量限制为整数，则称为混合整数规划(Mixed Integer Programming)； 0-1规划，即变量的取值仅限于0或1。 IP的解法思考 1、求解相应线性规划，将已得到的带有分数或小数的解“舍入化整” 到最靠近的整数解。 化整后不见得是可行解； 虽是可行解，但不一定是最优解。 不可取 例： A max z = 20x1+10x2 s.t. 5x1+4x2 ≤ 24 2x1+5x2 ≤ 13 x1，x2≥0且为整数 不考虑整数限制，求解相应的LP问题 (A的LP松弛)，容易求得相应的线性规划问题的最优解 x1=4.8 x2=0 max z = 96 如将 (x1=4.8，x2=0) 凑整为 (x1=5，x2=0)，则不可行； 如将 (x1=4.8，x2=0) 舍去尾数0.8，变为(x1=4，x2=0)，是可行解，此时z=80；而当x1=4，x2=1 (可行解)时，z=90，则(4,0)不是最优解。 2、若IP可行域有界，则可行解只有有限多个，容易想到枚举法，即列出所有的整数点，然后比较它们的目标函数值，从而确定最优解。 对于规模较小的问题，变量个数很少，可行解的组合数也较小时，这个方法是可行的，也是有效的； 对于大型问题，可行的整数组合数会很大，枚举法不可取。 3、现有解法 求解IP没有统一的有效方法，不同方法的效果与问题的具体性质有很大关系。 割平面法 分支定界法 隐枚举法(0-1规划) 割平面法 zmin 一般的，在LP中加入新的约束条件会使可行域减少一部分 首先不考虑整数限制，求解IP的LP松弛； 若得到非整数的最优解，则增加割平面(线性约束条件)，使得原可行域被切割掉一部分，这部分只包含非整数解，而不切割掉任何整数可行解； 使切割后最终得到可行域的一个顶点恰好是问题的最优整数解。 算法：如何找到恰当的割平面？ 基本思想 1、求解相应LP松弛，得最优解 x1=4.81，x2=1.82，z0=356。 分支定界法 例： B：max z=40x1+90x2 s.t. 9x1+7x2 ≤ 56 7x1+20x2 ≤ 70 x1，x2≥0且为整数 2、由于x1=4.81(非整数)，则在原问题B中增加两个约束条件：x1≤4 和 x1≥5，将原问题B分解为两个子问题 B1 和 B2 (即两支)。B1 和 B2 的LP松弛的可行域如下图： x1≤4 x1≥5 3、由于没有得到整数解，继续对问题B1和B2进行分解。因z1＞z2，故先分解B1为两枝：增加条件x2≤2，称为问题B3；增加条件x2≥3，称为问题B4。相当于在上图中再去掉x2＞2与x3＜3之间的区域，进行第二次迭代。 4、继续对问题 B2 进行分解 (x2≥2, x2≤1) 解题过程 整数解 不分枝 不分枝 0-1规划实例及隐枚举法 指派问题 3 4 2 10 10 8 6 2 7 6 3 4 5 3 4 1 甲 乙 丙 丁 D C B A 工作 人员 假定每人只能分派一项工作，并希望分派后总的生产效率最高，应如何分派工作？ 决策变量：分派方案，即指定第i人做第j项工作 xij = 1 指派第i人去做第j项工作 0 否则 目标函数：总生产效率 (