本文主要是介绍单纯形法，对大家解决编程问题具有一定的参考价值，需要的程序猿们随着小编来一起学习吧！

单纯形法

线性规划一般形式

在约束条件下、寻找目标函数 z 的最大值

\[max(or \ min) \ z = \displaystyle\sum_{j=1}^n c_jx_j \\ s.t. \begin{cases} \displaystyle\sum_{j=1}^n a_{ij}\ \leq\ (or\ =,\geq)\ b_i\quad(i\ = 1,...,m) \\ \\ x_j\ \geq \ 0 \qquad \qquad \qquad \quad \ \ \ (j\ = 1,...,n) \end{cases} \]

---

线性规划的标准形式

标准形需要满足的条件：

1. 目标函数求最大值 max
2. 约束条件均为等式
3. 所有决策变量均为非负约束
4. 约束条件右端常数项 \(b_i\) 全为非负值

一般来说，规定线性规划的标准形式为：

\[max\ z = \displaystyle\sum_{j=1}^n c_jx_j \\ s.t. \begin{cases} \displaystyle\sum_{j=1}^n a_{ij}\ =\ b_i\qquad \qquad(i\ = 1,...,m) \\ \\ x_j\ \geq \ 0\ ,\ b_i\ \geq \ 0 \qquad (j\ = 1,...,n) \end{cases} \]

可以写成矩阵形式：

\[max\ z\ = CX \\ AX\ =\ b \\ X\ \geq \ 0 \\ A\ =\ \begin{pmatrix} a_{11} & a_{12} & \cdots & a_{1n} \\ \vdots & \vdots & \ddots & \vdots \\ a_{m1} & a_{m2} & \cdots & a_{mn} \end{pmatrix} \]

将一般线性规划问题化为标准型：

1. 目标函数极大化。（可通过取相反数实现）
2. 将不等式约束条件通过添加松弛变量得到方法华为等式
   • 约束条件为 \(\leq\) 不等式，则在约束条件的左端加上一个非负的松弛变量；
   • 约束条件为 \(\geq\) 不等式，则在约束条件的左端减去一个非负的松弛变量。
3. 取值无约束的变量：
   • 若存在无约束的变量\(x_k\)，可令 \(x_k\ = x_k^{'}\ -\ x_k^{''}\)，其中 \(x_k^{'}，x_k^{''}\ \ge \ 0\)。

---

单纯形法求解

几个基本定理：

• 若线性规划问题存在可行解，则问题的可行域是凸集
  • 引理：线性规划问题的可行解 \(X\ =\ (x_1,\cdots,x_n)^{T}\) 为基可行解的充要条件是 \(X\) 的正分量所对应的系数列向量是线性无关的。
• 线性规划问题的基可行解 \(X\) 对应线性规划问题可行域（凸集）的顶点
• 若线性规划问题有最优解一定存在一个基可行解是最优解

单纯形法求解过程：

1. 化为标准型（要求 \(b \ge 0\)）,确定初始基B，建立初始单纯行表(假设A矩阵中存在单位矩阵)
   
2. 其中:

\[\theta\ =\ \min{(\frac{b_i}{a_{ik}}\ |\ a_{ik}\ >\ 0)} \]

2. 若 \(\sigma_j\ \le 0\ (j\ =\ m+1,\cdots,n)\)，则已得到最优解，否则转入下一步
3. 若在 \(j\ =\ m+1,\cdots,n\) 中，存在 \(\sigma_k\ >\ 0\), 而 \(P_k\ <\ 0\)，则无最优解。
4. 确定换入变量和换出变量
   • 由 \(\max(\sigma_k>0)\ =\ \sigma_k\)，确定 \(x_k\) 为换入变量
   • 由 $$\theta\ =\ \min{(\frac{b_i}{a_{ik}}\ |\ a_{ik}\ >\ 0)}\ = \frac{b_l}{a_{lk}}$$ 确定 \(x_l\) 为换出变量。
5. 以 \(a_{lk}\) 为主元进行迭代
   即将
   \[P_k= \begin{pmatrix} a_{1k} \\ \vdots \\ a_{lk} \\ \vdots \\ a_{mk} \end{pmatrix} 迭代成 \begin{pmatrix} 0 \\ \vdots \\ 0 \\ 1 \\ 0 \\ \vdots \\ 0 \end{pmatrix} \to l行 \]

6. 重复 2~5 步骤

单纯形法进一步讨论

• 人工变量法（大M法）
  • 凑单位矩阵添加人工变量
  • 目标函数中人工变量的系数为足够大的一个负值，用“\(-M\)”表示
• 两阶段法
  • 第一阶段实现求解一个目标函数中只包含人工变量的线性规划问题（令目标函数中其他变量的系数取零），人工变量的系数取某个正的常数（一般取1），在保持原问题约束条件不变的情况下求这个目标函数的极小值
    • 当人工变量取值为0时，目标函数值也为0，这时的最优解就是原线性规划问题的的一个可行解
    • 如果第一阶段求解结果表明最优解的目标函数值不为0，即最优解的基变量中含有人工变量，则表明原线性规划问题无可行解
  • 第一阶段表明问题有可行解时，第二阶段从第一阶段的最终单纯形表出发，去掉人工变量，并按问题原来的目标函数，继续寻找问题的最优解

这篇关于单纯形法的文章就介绍到这儿，希望我们推荐的文章对大家有所帮助，也希望大家多多支持为之网！