当线性规划与算法相遇:揭秘单纯形法(Simplex)的独特魅力

传统的解决线性规划问题的方法是图形法、代数法求解,但是图形法解题有极大的局限性,因为一旦变量超过3个,基本上就无法通过图形解决,而代数法虽然可以解题,但对于复杂的问题可能效果较差甚至无法求解!
相比图形法和代数法,单纯形法解决线性规划问题具有以下优势:

  1. 理论基础强:单纯形法是基于线性规划的基本理论,通过系统的迭代过程逐步逼近最优解。它是一种可行的、确定性的算法,能够找到问题的最优解或者确定问题是无界或无解的。
  2. 高效性:在实践中,单纯形法通常能够在合理的时间内找到线性规划问题的最优解。尤其对于具有稀疏性质的问题,单纯形法的性能更为出色。此外,单纯形法的计算复杂度与问题规模的增长呈多项式关系。
  3. 灵活性:单纯形法适用于各种类型的线性规划问题,包括有约束的和无约束的问题。它可以处理多目标函数、等式约束、不等式约束、非线性约束等多种情况。
  4. 可以进行优化:单纯形法可以通过一些优化策略来提高算法的效率,例如早期停止条件、对偶单纯形法等。这些优化措施可以在实际应用中进一步加速算法的执行。
  5. 可解释性强:单纯形法的迭代过程很容易理解和解释。每个迭代步骤都代表着一种改进,可以直观地解释为什么选择某个变量作为进基变量或出基变量,从而得到更优解。

尽管单纯形法具有以上优势,但对于大规模问题或非常稀疏的问题,单纯形法可能会遇到性能瓶颈。在这种情况下,可以考虑使用其他更高效的线性规划算法,例如内点法、启发式算法或者列生成法等。
具体使用单纯形法解题的步骤如下所示:

  1. 化一般型为标准型,求初始基本可信解,建立初始单纯形表;
  2. 求检验数并判断,若已得到最优解,结束计算;否则转入下一步;
  3. 进行基变换,构建新的单纯形表进行迭代;
  4. 重复步骤二、三,直到得出最优解、重复解或无最优解等。

1.化标准型

我们常见的线性规划模型的一般型为:
目标函数: m a x ( m i n ) Z = ∑ j = 1 n c j x j 约束条件: { ∑ j = 1 n a i j x j ≥ ( ⩽ ) b i , i = 1 , 2 , ⋯   , m x j ≥ 0 , j = 1 , 2 , ⋯   , n \begin{aligned} 目标函数:& max(min) Z=\sum_{j=1}^{n}c_{j}x_{j} \\ 约束条件:& \left\{\begin{matrix} \sum_{j=1}^{n}a_{ij}x_{j} \geq (\leqslant )b_{i} ,i=1,2,\cdots ,m\\ \\ x_{j}\geq 0,j=1,2,\cdots ,n \end{matrix}\right. \end{aligned} 目标函数:约束条件:max(min)Z=j=1ncjxj j=1naijxj()bi,i=1,2,,mxj0,j=1,2,,n
单纯形法是一种求解线性规划问题的常用方法,其第一步是将线性规划问题转化为标准型,主要是为了方便后续的计算和迭代。
将线性规划问题转化为标准型的目的有以下几个方面:

  1. 约束条件的统一表示:标准型可以将线性规划问题的约束条件统一表示为等式形式,即将不等式约束和非负约束都表示为等式约束。这样可以简化计算过程和算法的设计。
  2. 约束条件的非负性:标准型要求所有变量的取值都非负,这样可以确保问题的可行解存在。通过引入松弛变量或人工变量,将不等式约束转化为等式约束,并引入非负约束,确保问题的可行性。
  3. 目标函数的最大化:标准型要求将目标函数转化为最大化形式。对于最小化问题,可以通过将目标函数乘以-1来转化为最大化问题,并利用单纯形法求解。
    通过化为标准型,可以将线性规划问题转化为一个更加结构化和规范化的形式,方便应用单纯形法进行迭代计算。标准型的形式更加适合使用单纯形表格来表示和计算,使得单纯形法的步骤更加清晰和易于理解。
    需要注意的是,并非所有的线性规划问题都能够直接转化为标准型,有些问题需要经过一些额外的转化步骤才能达到标准型的形式。但是,一旦将问题转化为标准型,就可以直接应用单纯形法进行求解。
    具体线性规划模型的标准型为:
    目标函数: m a x Z = ∑ j = 1 n c j x j 约束条件: { ∑ j = 1 n a i j x j = b i , i = 1 , 2 , ⋯   , m x j ≥ 0 , j = 1 , 2 , ⋯   , n \begin{aligned} 目标函数:& maxZ=\sum_{j=1}^{n}c_{j}x_{j} \\ 约束条件:& \left\{\begin{matrix} \sum_{j=1}^{n}a_{ij}x_{j} =b_{i} ,i=1,2,\cdots ,m\\ \\ x_{j}\geq 0,j=1,2,\cdots ,n \end{matrix}\right. \end{aligned} 目标函数:约束条件:maxZ=j=1ncjxj j=1naijxj=bi,i=1,2,,mxj0,j=1,2,,n
    标准型的要求主要为:
    (1)目标函数为求最大值
    (2)约束条件均为等式方程
    (3)变量 x j x_{j} xj为非负
    (4)常数 b i b_{i} bi都大于等于零
    下面引入一个简单的例子并将其化为标准型:
    其线性规划问题的一般型为:
    m a x   z = 6 x 1 − 2 x 2 + x 3 { 2 x 1 − x 2 + 2 x 3 ⩽ 2 x 1 + 4 x 3 ⩽ 4 x 1 , x 2 , x 3 ⩾ 0 \begin{aligned} max \ z=6x_{1}-2x_{2}+x_{3} \\ \left\{\begin{matrix} 2x_{1}-x_{2}+2x_{3}\leqslant 2\\ x_{1}+4x_{3}\leqslant 4\\ x_{1},x_{2},x_{3}\geqslant 0 \end{matrix}\right. \end{aligned} max z=6x12x2+x3 2x1x2+2x32x1+4x34x1,x2,x30
    将其转换为标准型为:
    m a x   z = 6 x 1 − 2 x 2 + x 3 + 0 x 4 + 0 x 5 { 2 x 1 − 1 x 2 + 2 x 3 + 1 x 4 + 0 x 5 = 2 1 x 1 + 0 x 2 + 4 x 3 + 0 x 4 + 1 x 5 = 4 x 1 , x 2 , x 3 , x 4 , x 5 ≥ 0 \begin{aligned} max \ z=6x_{1}-2x_{2}+x_{3}+0x_{4}+0x_{5}\\ \left\{\begin{matrix} 2x_{1}-1x_{2}+2x_{3}+1x_{4}+0x_{5}=2\\ 1x_{1}+0x_{2}+4x_{3}+0x_{4}+1x_{5}=4\\ x_{1},x_{2},x_{3},x_{4},x_{5}\geq 0 \end{matrix}\right. \end{aligned} max z=6x12x2+x3+0x4+0x5 2x11x2+2x3+1x4+0x5=21x1+0x2+4x3+0x4+1x5=4x1,x2,x3,x4,x50

2.求检验数并判断最优解

在单纯形法中,一旦将线性规划问题转化为标准型,可以通过以下步骤求解检验数,并判断是否达到最优解:

  1. 制作初始单纯形表格:根据标准型的形式,构造初始单纯形表格,包括目标函数的系数、约束条件的系数矩阵、右侧常数项等。
  2. 计算检验数:在初始单纯形表格中,计算每个变量的检验数。检验数表示在目标函数中增加或减少一个单位变量的值时,目标函数值的变化。检验数的计算公式为:检验数 = 目标函数系数 - 系数矩阵中对应列的系数与目标函数系数的乘积。
  3. 判断是否达到最优解:若所有的检验数都为非负数,则当前解为最优解。因为如果存在负的检验数,将会导致目标函数值继续改善,因此需要进行下一步的迭代。
    具体初始单纯形表如下所示:
    当线性规划与算法相遇:揭秘单纯形法(Simplex)的独特魅力_第1张图片
    注意,这里对参数进行解释: c k c_{k} ck表示各个变量的价值系数,这里可以从目标函数 m a x   z = 6 x 1 − 2 x 2 + x 3 + 0 x 4 + 0 x 5 max \ z=6x_{1}-2x_{2}+x_{3}+0x_{4}+0x_{5} max z=6x12x2+x3+0x4+0x5可以看出各个变量( x 1 、 x 2 、 x 3 、 x 4 、 x 5 x_{1}、x_{2}、x_{3}、x_{4}、x_{5} x1x2x3x4x5)下面的数值,我们只需要看约束条件即可。
    { 2 x 1 − 1 x 2 + 2 x 3 + 1 x 4 + 0 x 5 = 2 1 x 1 + 0 x 2 + 4 x 3 + 0 x 4 + 1 x 5 = 4 \begin{aligned} \left\{\begin{matrix} 2x_{1}-1x_{2}+2x_{3}+1x_{4}+0x_{5}=2\\ 1x_{1}+0x_{2}+4x_{3}+0x_{4}+1x_{5}=4\\ \end{matrix}\right. \end{aligned} {2x11x2+2x3+1x4+0x5=21x1+0x2+4x3+0x4+1x5=4
    X B X_{B} XB代表基变量,具体基变量的找法,我们只需要在系数矩阵中找到对应的单位矩阵,单位矩阵所对应的变量即为基变量,因此,从初始单纯形表可以看出, x 4 、 x 5 x_{4}、x_{5} x4x5即为基变量。
    c B c_{B} cB代表右侧基变量所对应的价值系数,初始单纯形表的基变量对应的价值系数分别是0、0
    b b b这一列称之为资源限量,填写的时候,只需要看系数矩阵中右侧的数字即可
    求基本可行解时,只需要设置全部非基变量为0,即令 x 1 、 x 2 、 x 3 = 0 x{1}、x{2}、x_{3}=0 x1x2x3=0,这样可以求出基变量 x 4 = 2 , x 5 = 4 x_{4}=2,x_{5}=4 x4=2,x5=4,所以基本可行解为 ( 0 , 0 , 0 , 2 , 4 ) T (0,0,0,2,4)^T (0,0,0,2,4)T
    接下来,我们需要通过计算检验数来判断该解是否为最优解,即分别计算 ( x 1 、 x 2 、 x 3 、 x 4 、 x 5 ) (x_{1}、x_{2}、x_{3}、x_{4}、x_{5}) (x1x2x3x4x5)所对应的检验数 σ j \sigma_{j} σj,其计算方式为 c j − c B x j c_{j}-c_{B}x_{j} cjcBxj
    若当前计算的所有 σ j \sigma_{j} σj都小于等于0,即表示当前基础可行解为最优解,否则还需要进行基变换来进一步求得最优解!

3.基变换

基变换的作用就会帮我们找到下一个可行解,简单来说就是用当前一个非基变量来替换基变量,也就是让非基变量入基,让基变量出基。
在确定哪个非基变量入基的时候,我们只需要看检验数,当前最大的检验数对应的变量,就是需要入基的非基变量,当前是 x 1 x_{1} x1,它对应的检验数为6,是当前所有检验数的最大值。
接下来就需要确定出基变量,那么首先就需要计算 θ \theta θ,其计算方法就是b这一列和确定入基 x 1 x_{1} x1这一列相除得到,即为 ( 1 , 4 ) T (1,4)^T (1,4)T,计算好 θ \theta θ后,我们只需要找 θ \theta θ值中的最小值,其最小值对应的变量 x 4 x_{4} x4就是所对应的出基变量。
紧接着就需要把入基变量 x 1 x_{1} x1和出基变量 x 4 x_{4} x4中相交的数字经过行列运算变换为1,其对应的同列元素全部变换为0,计算完毕后就对应着下一个单纯形表。
具体下一个单纯形表如下所示:
当线性规划与算法相遇:揭秘单纯形法(Simplex)的独特魅力_第2张图片
这里需要注意,你可能看到 θ \theta θ对对应的第一个数填的是-,那是因为当前入基 x 2 x_{2} x2对应的数字为负数,因此不需要计算。
由此可以看出,并不是所有的检验数都为小于等于零,因此,当前的基础可行解仍然不是最优解,所以还需要进一步进行基变换,下面就不对基变换的过程进行详解,仅仅展示最优求得最优解所对应的单纯形表。
当线性规划与算法相遇:揭秘单纯形法(Simplex)的独特魅力_第3张图片
至此,从图表中可以看出,全部变量对应的检验数都小于等于0,因此,此时多对应的解为最优解,最优解为 ( 4 , 6 , 0 , 0 , 0 ) T (4,6,0,0,0)^T (4,6,0,0,0)T

4.结果判定方法

具体解的判定方法如下所示:

你可能感兴趣的:(数学,算法)