标题~
听说运筹学这门课挺好的，有值得一听的必要；此篇用作课堂总结、期末复习及记录。
或许与教材内容会有很大程度重复。
第一张主要讲了线性规划问题，并介绍了两种求解方法：
图解法、单纯形法
本系列文章主要用于笔者期末复习，行文混乱，请见谅
对于以后期末复习
- 知道单纯性表法和两阶段法的区别
- 知道单纯形表的几种情况【唯一解、多解、无解】
- 会算检验数
-
弄清楚基本解可行解最优解退化解
线性规划
指在一定的线性约束条件下，求一个线性函数的极值问题
写在前面：名词解释及关系
线性规划（LP）问题
min S = C X s. t. { A X = b X ⩾ 0 \begin{array}{c} \min S=\boldsymbol{C} \boldsymbol{X} \\ \text { s. t. }\left\{\begin{array}{l} \boldsymbol{A} \boldsymbol{X}=\boldsymbol{b} \\ \boldsymbol{X} \geqslant \boldsymbol{0} \end{array}\right. \end{array} minS=CX s. t. {
AX=bX⩾0
min对应 ⩾ \geqslant ⩾【在第一章好像还没找到对应的部分，但是做题是这样的】
可用这一向量形式表示的问题
可行解
满足上述线性规划问题条件的所有解 X \boldsymbol X X
最优解
可行解中满足条件 min S = C X \min S=\boldsymbol{C} \boldsymbol{X} minS=CX的解
基本解
在2.2中 X = ( B − 1 b 0 ) X=\left(\begin{array}{l} B^{-1}b \\ 0\end{array}\right) X=(B−1b0)是基 B B B的基本解
可行基/基本可行解
若 B − 1 b ⩾ 0 B^{-1}b\geqslant 0 B−1b⩾0，则称 B B B为可行基， X = ( B − 1 b 0 ) X=\left(\begin{array}{l} B^{-1}b \\ 0\end{array}\right) X=(B−1b0)为基本可行解
定理：基本解与基本可行解
若X中非零分量所对应的列向量线性无关，则 X是(LP) 的一个基本可行解
最优基/最优基本可行解
若 B − 1 b ⩾ 0 B^{-1}b\geqslant 0 B−1b⩾0且 C − C B B − 1 A ⩾ 0 C-C_BB^{-1}A\geqslant0 C−CBB−1A⩾0，则称 B B B为最优基， X = ( B − 1 b 0 ) X=\left(\begin{array}{l} B^{-1}b \\ 0\end{array}\right) X=(B−1b0)为最优基本可行解
最优性判别定理
退化/非退化基本可行解
若 B − 1 b B^{-1}b B−1b中至少有一个分量为 0，则称该基本可行解为退化基本可行解。
例如：
凸组合
设 X 1 , X 2 , ⋯ , X k \boldsymbol{X}_{1}, \boldsymbol{X}_{2}, \cdots, \boldsymbol{X}_{k} X1,X2,⋯,Xk 是 R n \mathbf{R}^{n} Rn 中已知的 k k k 个点, 若对于某点 X ∈ R n \boldsymbol{X} \in \mathbf{R}^{n} X∈Rn , 存在非负常数 λ 1 , λ 2 , ⋯ , λ k \lambda_{1}, \lambda_{2}, \cdots, \lambda_{k} λ1,λ2,⋯,λk , 使得
X = ∑ i = 1 k λ i X i , 且 ∑ i = 1 k λ i = 1 \boldsymbol{X}=\sum_{i=1}^{k} \lambda_{i} \boldsymbol{X}_{i}, \quad \text { 且 } \sum_{i=1}^{k} \lambda_{i}=1 X=i=1∑kλiXi, 且 i=1∑kλi=1
则称 X \boldsymbol{X} X 是 X 1 , X 2 , ⋯ , X k \boldsymbol{X}_{1}, \boldsymbol{X}_{2}, \cdots, \boldsymbol{X}_{k} X1,X2,⋯,Xk 的凸组合.
凸集
极点
设 X \boldsymbol{X} X是凸集 D D D中的一点，如果 X \boldsymbol{X} X不能表示为 D D D中两个相异点的凸组合，则 X \boldsymbol{X} X称为 D D D的极点.
如：多面体极点，球体球面上的点。
定理：极点与基本可行解
典式
对于每一个基本可行解，线性规划问题都有一个典式。
按照2.2的推导过程，可得到典式
按照上述方法展开，可以得到典式的另一种表达形式：
注意细节：表达规范，如max/min
典式指的应该就是，能找出一组单位向量【与列向量数目相同】的式子？】
单纯形表
按照上面的【展开后的】典式表达，单纯形表长这样：
其中第0行的-S因为在迭代中不会变化，因此省略
注意做题规范
应当保证单纯性表中的基向量第零行对应系数为0，若不为0，需要进行行间的加减操作。
同时应该保证第 i i i行的基向量 x j x_j xj所对应列只有第 i i i个数为1，其他为0
c j c_j cj是第零行 x j x_j xj对应系数。
1 线性规划的标准形式
min S = c 1 x 1 + c 2 x 2 + ⋯ + c n x n s. t. { a 11 x 1 + a 12 x 2 + ⋯ + a 1 n x n = b 1 a 21 x 1 + a 22 x 2 + ⋯ + a 2 n x n = b 2 ⋮ a m 1 x 1 + a m 2 x 2 + ⋯ + a m n x n = b m x 1 ⩾ 0 , x 2 ⩾ 0 , ⋯ , x n ⩾ 0 \begin{array}{c} \min S=c_{1} x_{1}+c_{2} x_{2}+\cdots+c_{n} x_{n} \\ \text { s. t. }\left\{\begin{array}{c} a_{11} x_{1}+a_{12} x_{2}+\cdots+a_{1 n} x_{n}=b_{1} \\ a_{21} x_{1}+a_{22} x_{2}+\cdots+a_{2 n} x_{n}=b_{2} \\ \vdots \\ a_{m 1} x_{1}+a_{m 2} x_{2}+\cdots+a_{m n} x_{n}=b_{m} \\ x_{1} \geqslant 0, x_{2} \geqslant 0, \cdots, x_{n} \geqslant 0 \end{array}\right. \end{array} minS=c1x1+c2x2+⋯+cnxn s. t. ⎩ ⎨ ⎧a11x1+a12x2+⋯+a1nxn=b1a21x1+a22x2+⋯+a2nxn=b2⋮am1x1+am2x2+⋯+amnxn=bmx1⩾0,x2⩾0,⋯,xn⩾0
式中 b i , c j , a i j b_{i}, c_{j}, a_{i j} bi,cj,aij为实常数, 且 b i ⩾ 0 b_{i} \geqslant 0 bi⩾0 ;
x j x_{j} xj 一一要求的一组变量.
写成向量形式，有
min S = C X s. t. { A X = b X ⩾ 0 \begin{array}{c} \min S=\boldsymbol{C} \boldsymbol{X} \\ \text { s. t. }\left\{\begin{array}{l} \boldsymbol{A} \boldsymbol{X}=\boldsymbol{b} \\ \boldsymbol{X} \geqslant \boldsymbol{0} \end{array}\right. \end{array} minS=CX s. t. {
AX=bX⩾0
为了将线性约束转为标准形式，需要进行一些转换，如：
- 将求极大转化为求极小：取负号
- 将不等式转化为等式：引入松弛变量 y i ⩾ 0 y_i\geqslant 0 yi⩾0；剩余变量 y l ⩾ 0 y_l\geqslant 0 yl⩾0
-
大于等于
a i 1 x 1 + a i 2 x 2 + ⋯ + a i n x n ⩽ b i a_{i 1} x_{1}+a_{i 2} x_{2}+\cdots+a_{i n} x_{n} \leqslant b_{i} ai1x1+ai2x2+⋯+ainxn⩽bi
化为
a i 1 x 1 + a i 2 x 2 + ⋯ + a i n x n + y i = b i a_{i 1} x_{1}+a_{i 2} x_{2}+\cdots+a_{i n} x_{n}+y_{i}=b_{i} ai1x1+ai2x2+⋯+ainxn+yi=bi -
小于等于
a l 1 x 1 + a l 2 x 2 + ⋯ + a l n x n ⩾ b l a_{l 1} x_{1}+a_{l 2} x_{2}+\cdots+a_{l n} x_{n} \geqslant b_{l} al1x1+al2x2+⋯+alnxn⩾bl
化为
a l 1 x 1 + a l 2 x 2 + ⋯ + a l n x n − y l = b l a_{l 1} x_{1}+a_{l 2} x_{2}+\cdots+a_{l n} x_{n}-y_{l}=b_{l} al1x1+al2x2+⋯+alnxn−yl=bl
-
- 将自由变量化为非负变量
如某个变量 x k x_k xk没有大小要求，则称之为自由变量，用两个非负变量相减代替之
x k = x k ′ − x k ′ ′ , x k ′ ⩾ 0 , x k ′ ′ ⩾ 0 x_k=x_k'-x_k'',x_k'\geqslant0,x_k''\geqslant0 xk=xk′−xk′′,xk′⩾0,xk′′⩾0
2 线性规划问题的求解
在以后的讨论中，我们都假定 A A A的秩为m (自然m≤n)．我们从 A A A的n列中选出m个线性无关的列组成一个m阶矩阵。【为了表达方便起见，假定选择的是 A A A的前m列，并且用 B B B表示这个矩阵，于是 B B B是非奇异的，称为（LP)的一个基】
2.1 分解约束条件
令
重写线性规划问题，有
【非基 X N X_N XN可以用基 X B X_B XB表示因此可令其为0，基不唯一】
2.1.1 定义
定义见上方
2.2 分解目标函数
相对应的对 C C C进行分解，
2.2.1 定义 最优基
注意这里的等效
2.3 概念区分
3 图解法及集合理论
3.1 解法
高中知识，略
3.2 几何理论
推论1 若凸集 D={X|AX=b,x>0}非空，则它至少有一个极点.
推论2 如果一个线性规划问题有有限的最优解，则必有一个最优解是 D的极点
Q：极点和顶点的区别？
Q：线性规划问题的任一可行解都可以用全部基可行解的线性组合表示 这句话为什么错了
根据定理1—4，X可以由凸集顶点的凸组合表示，那更能被基可行解线性表示吧
4 单纯形法
线性规划问题的目标函数的最小值（或最大值) 一定在基本可行解(即极点）上达到。所以，在寻找最优解时，只需要考虑基本可行解就够了。
单纯形法的基本思想是从一个基本可行解出发，转移到另一个目标函数值更小的基本可行解
如此逐次转移下去，当目标函数值不能再减小，即满足最优性条件: C − C B B − 1 A ≥ 0 C-C_BB^{-1}A≥0 C−CBB−1A≥0时，计算结束,得到最优基本可行解。
4.1 求一个可行解
4.2 从可行解迭代求出最优解
迭代原理【方法的关键，有助于理解】
由最优性判别原理，
(1) 若 y 0 j ⩾ 0 , j = m + 1 , ⋯ , n y_{0 j} \geqslant 0, j=m+1, \cdots, n y0j⩾0,j=m+1,⋯,n 根据最优性判别定理, X 0 \boldsymbol{X}^{0} X0 是最优解.
(2) 若有某些检验数 y 0 j y_{0 j} y0j 是负的, 例如设 y 0 q < 0 , m + 1 ⩽ q ⩽ n y_{0q}<0, m+1 \leqslant q \leqslant n y0q<0,m+1⩽q⩽n，这时 X 0 \boldsymbol{X}^{0} X0 不是最优解.
因为此时还可以下降
【1-17】在上面的“典式”的定义中
✨✨✨迭代方法：进基、换基、出基
检验数【检验 X 0 X^0 X0是不是最优解】：若 C − C B B − 1 A ≥ 0 C-C_{B} B^{-1} A \geq 0 C−CBB−1A≥0 或 C N − C B B − 1 N ≥ 0 C_{N}-C_{B} B^{-1} N \geq 0 CN−CBB−1N≥0 ,
即非基变量 x j x_{j} xj 的检验数 y 0 j = c j − C B B − 1 p j y_{0 j}=c_{j}-C_{B} B^{-1} p_{j} y0j=cj−CBB−1pj 都 ≥ 0 \geq 0 ≥0, 则 X 0 X^{0} X0 是最优解。
——也就是说，如果有一个检验数 y 0 j < 0 y_{0 j}<0 y0j<0的话，这个检验数就具备了“出基”的条件
，如果有不止一个负检验数，则有两种方法确定进基变量：
翻译翻译就是：采用Bland规则，算出来的检验数中，最负的 y 0 q y_{0q} y0q对应的那一列 x q x_q xq进基。
问题
请结合做题时检验数的求解，说人话：比如检验数怎么算，多个负检验数时怎么办
一般检验数不会写在单纯性表里，而是写在草稿纸上。。。。吗？？？
进基：接上文， x q x_{q} xq 由非基变量变为基变量。
出基：同时原基变量中必有一个 x i x_i xi从取值为 1 的基变量变为取值为 0 的非基变量
选取方式：求出最小比值 x q = y p 0 / y p q x_{q}=y_{p 0} / y_{p q} xq=yp0/ypq 所在行。原基变量 x p x_{p} xp 变为 0 0 0 , 有三种情况：
第三种情况：无穷多最优解
换基：在这种情况下，由 负检验数 y 0 q y_{0q} y0q 所对应的非基变量 x q x_q xq代替原基变量 x p x_p xp 成为新的基变量。
此时新基变量系数为1，检验数为0【第p列只有一个位置是1，其他都是0】
通过行加减实现
4.3 两阶段法
Q： 何时使用两阶段法？
A： 取决于标准型是不是典式
第一阶段
建立辅助(LP)，求出原(LP)的一个初始基本可行解。
具体方法：加入m个人工变量，手动变成典式，然后用单纯形法求解
例如：
注意，加入了 y i y_i yi变量，并且求的值变成了y的求和的最小值
辅助(LP)的最优解与原(LP)的初始基本可行解的关系：
- 若 Z ∗ = ∑ i = 1 m y i ∗ > 0 , 则原 ( L P ) 无可行解。 \text { 若 } Z^{*}=\sum_{i=1}^{m} y_{i}^{*}>0 \text {, 则原 }(L P) \text { 无可行解。 } 若 Z∗=∑i=1myi∗>0, 则原 (LP) 无可行解。
证明
- 若 Z ∗ = ∑ i = 1 m y i ∗ = 0 , 则原 ( L P ) 有一个初始基本可行解。 \text { 若 } Z^{*}=\sum_{i=1}^{m} y_{i}^{*}=0 \text {, 则原 }(L P) \text { 有一个初始基本可行解。 } 若 Z∗=∑i=1myi∗=0, 则原 (LP) 有一个初始基本可行解。
所以在最后做题时，每一步单纯形法要让一个y作为出基变量，有几个y至少迭代几轮。
做题方法
这样，我们最终得到了一个基本可行解 X ∗ X^* X∗
第二阶段
结合上一步得到的基本可行解 X ∗ X^* X∗，再用单纯形法去求原LP的最优解
问题
这一步具体是怎么样的？在单纯表中是怎么用上的基本可行解的
——在辅助 (LP) 的最优表中删去人工列及检验数行
补上原 (LP)的检验数行
Q：怎么补，检验数行怎么求【跟上一个问题重复了】
问题
在第二章看到了这个式子,线性规划的标准型是什么样的?
单纯形法应试
例题
标准单纯性表
- b b b和 A A A【系数量】每次迭代都会变化
检验数的可能情况，选入基变量
- 基变量的检验数一定是0
- 如果存在大于0的检验数，取最大的作为入基变量
选出基变量并迭代
-
计算 θ \theta θ，负的和0不用管，选择最小的一项，该行对应基变量出基
-
若全部 a i j a_{ij} aij均小于等于零，相当于资源越来越多
迭代
用行变换，把入基变量那一列变标准
例题二【大M法，不考】
加人工变量
加入人工向量，并设置条件让它强制为0
例题三【两阶段法，与大M法目的相似，解决的是基变量不足时的问题】
第一阶段：添加人工变量
迭代，直到人工变量被全部筛选出
- 注意目标函数变了， c j c_j cj是人工变量取
-1
第二阶段：单纯形表
-
注意 c j c_j cj变成原来的了
-
人工变量法和两阶段法中，当求解结果出现所有检验数均小于等于0，但基变量中仍存在非零的人工变量(两阶段法第一阶段目标函数值不为0)时，表明问题无可行解.
即人工变量最终求解结果必须为0