第三章线性规划
第三章 线性规划的对偶理论
s.t. AX=b X≥0 由于 AX=b 即 AX=b
AX≤b AX≥b
AX≤b -AX≤-b 所以，原问题可化为 max z=CX s.t. AX≤b -AX≤-b X≥0
A
X≤ -A
b
-b
14
设Y'：AX≤b的对偶变量（行向量） Y''：-AX≤-b的对偶变量（行向量） 按对称形式的对偶关系可得出原问题的对偶问题如下： min w =Y'b-Y''b= （Y'-Y''）b （Yb=bTYT） s.t Y'A-Y''A≥C （ YA=ATYT） Y'≥0，Y''≥0 令Y= Y'-Y''，则对偶问题为 min w =Yb s.t YA≥C Y符号不限 结论：原问题中约束条件为等式，对应的对偶变量 无非负要求；反过来同样成立。
s.t. 2y1+ y2+ 4y3 ≥2
2y1+2y2+ 4y4 ≥3 y1, y2 , y3 , y4 ≥ 0
解：2.首先将原式变形
m axZ 2 x1 3 x 2 4 x 3 2 x 3 x 2 5 x 3 2 3 x1 x 2 7 x 3 3 x1 4 x 2 6 x 3 5 x1 , x 2 , x 3 0
对于非对称形式的规划，可以按照下面的对应关系直接给 出其对偶规划。 （1）对原问题模型为“max，约束条件为≤”或“min，约 束条件为≥” 的形式，对应的对偶规划的变量大于 0 ；反之， 若原问题模型为“max，≥”或“min，≤” 的形式，对应的 对偶规划的变量小于0。 （ 2 ）原问题线性规划的决策变量大于 0 ，则对偶问题的模 型为“max，约束条件为≤”或“min，约束条件为≥” 的形 式；若原问题线性规划的决策变量小于0；则对偶问题的模型 为“max，≥”或“min，≤” 的形式。
第三章_整数线性规划
b
j 1
j
xj B
• 目标—总收益最大
max
c
j1
n
j
x
j
max
c
j1
n
j
x
j
n b j x j B s .t . j 1 x 1 , 0 ; j 1 , 2 ..., n j
旅游售货员问题
• 背景
• 案例 • 模型
背 景
• 旅游线路安排 预定景点走且只走一次 路上时间最短 • 配送线路—货郎担问题 送货地到达一次 总路程最短
混合整数规划模型
min c x Ax b s .t . x 0 x i 为整数 , i 1, 2 ,..., p
§2.2 整数线性规划算法
• 与线性规划的关系
• 分支定界算法
• 割平面算法 • 近似算法
与线性规划的关系
放松的线性规划 整数规划
min c
min c
x ij 1, 0 ; i 1, 2 ..., 17 , j 1, 2 , 3
• 约束
包裹容量限制
c
i 1
3
17
i
x ij r j ; j 1, 2 , 3
必带物品限制
3
x ij 1; i 1, 2 ..., 7
j 1
选带物品限制
x ij 1; i 8 , 2 ..., 17
3. 对于问题B，任选一个不符合整数条件的变量 xj=bj，对问题B进行分支，增加两个约束条件： xj[bj] 和 xj[bj] +1，形成两个后继问题B1 和 B2 ,求它们的松弛问题，得到目标函数值的上 界。转步骤4 。 4. 考察所有后继问题， (a)如果它的目标函数值的上界不如zb，舍去该支， 转步骤4 。 (b)如果没有后继问题, 则当前最优解就是原问题 的最优解，stop。 (c)寻找目标函数值的界最好的后继问题,转步骤5。
最新-第三章线性规划数学模型课件-PPT
X1
18
例4、 maxZ=3X1+2X2
X2
-X1 -X2 1
X1 , X2 0
无解
无可行解
-1
0
X1
-1
19
总结
唯一解 有解
无穷多解 无解 无有限最优解
无可行解
20
单纯形法
• 单纯形法（Simplex Method）是美国数学 家但泽（Dantzig）于1947年提出的。基 本思想是通过有限次的换基迭代来求出 线性规划的最优解。
3
线性规划的特点
❖决策变量连续性：求解出的决策变量值 可以是整数、小数；
❖线性函数：目标函数方程和约束条件方 程都是线性方程；
❖单目标：目标函数是单目标，只有一个 极大值或一个极小值；
❖确定性：只能应用于确定型决策问题。
4
例1、生产计划问题
A B 备用资源
煤12
30
劳动日 3 2
60
仓库 0 2
• 利用单纯形法解决线性规划问题，实际上是从 线性规划问题的一个基本可行解转移到另一个 基本可行解，同时目标函数值不减少的过程。
• 对于两个变量的线性规划问题，就是从可行域 的一个端点转移到另一个端点，而使得目标函 数的值不减少。
25
线性规划的扩展
一、整数规划（整数线性规划）：部分或 全部的决策变量只能取整数值。
8
一般式
Max(min)Z=C1X1+ C2X2+…+CnXn a11X1+ a12X2+…+ a1nXn (=, )b1 a21X1+ a22X2+…+ a2nXn (=, )b2 ……… am1X1+ am2X2+…+ amnXn (=, )bm Xj 0(j=1,…,n)
第三章线性规划的对偶定理
特点：
1． max min 2．限定向量b 价值向量C
其它形式 的对偶
?
（资源向量）
3．一个约束 一个变量。
4． max z的LP约束“ ” min z 的
LP是“ ”的约束。
5．变量都是非负限制。
二、原问题与对偶问题的数学模型
❖ 1．对称形式的对偶
当原问题对偶问题只含有不等式约束
时，称为对称形式的对偶。
根据对称形式的对偶模型,可直接 写出上述问题的对偶问题:
b max w (Y 1,Y 2 ) -b
(Y
1,Y
2
)
A A
C
Y1 0 ,Y2 0
max w (Y 1 Y 2 ) b
(Y
1
Y
2
)
A
C
Y 1 0, Y 2 0
令 Y Y，1 Y得2对偶问题为：
max w Yb
❖ （3）若原问题可行，但其目标函数值无 界，则对偶问题无可行解。
❖ （4）若对偶问题可行，但其目标函数值 无界，则原问题无可行解。
❖ （5）若原问题有可行解而其对偶问题无 可行解，则原问题目标函数值无界。
❖ （6）对偶问题有可行解而其原问题无可 行解，则对偶问题的目标函数值无界。
CX Yb
原问题
设备A 设备B 调试工序
产品Ⅰ 产品Ⅱ
0
5
6
2
1
1
利润（元） 2
1
D
15时 24时 5时
x 设 Ⅰ产量––––– 1
x Ⅱ产量––––– 2
如何安排生产， 使获利最多？
max z 2 x1 x2
s.t.
5x2 15
6 x1 2 x2 24
第三章线性规划的对偶理论及灵敏度分析1总结
第三章线性规划的对偶理论及灵敏度分析主要内容：1、对偶问题及其性质；2、 对偶单纯形法；3、 灵敏度分析。
重点与难点：对偶问题与原问题的对应关系，对偶问题的基本性质，对偶单纯形法的求解步骤，灵敏度分析的方 法。
要求：理解线性规划对偶问题的性质，熟练掌握对偶单纯形法的求解步骤和灵敏度分析的方法和技巧，能够用这些数学方法解决实际问题。
§ 1对偶问题的对称形式一、对偶问题弓侧，某工厂在计划期内要安排生产甲、乙两种产品，已知生产单位产品所需要的设备台时及 A 、B 两种原材料的消耗，该工厂每生产一件产品甲可获利 2元，每生产一件产品乙可获利 3元，问应如何安排计划才能使该工厂获利最多？解：设X i 、X 2分别为甲、乙两种产品的产量作一比较：若用一个单位台时和 4个单位原材料 A 生产一件产品甲，可获利 2元，那么生产每件产品甲的设备台 y^ 4y^ 2同理，将生产每件乙产品的设备台时和原材料出租和出让的收入应不低于生产一件乙产品的利润。
即:2力 4y 33将工厂所有设备台时和资源都出租和出让，其收入为则目标函数maxz 二2x 「3x 2x 「2x 2 岂8i4x 1 - 16 i4x 2 兰12约束条件-x 1,x^ 0(1)不再生产甲、乙产品，而将其出租或出售 3分别为出租单位设备台时的租金和出让单位原材料这时要考虑每种资源的定价问题，设A 、B 的附加额。
时和原材料出租和出让的收入应不低于生产一件甲产品的利润。
即:。
=8y 〔+ 16y 2 + 12y 3对工厂来说，••越大越好；但对接受者来说，支付的愈少愈好，所以工厂只能在满足》所有产品的利润前提下, 使其总收入尽可能小，才能实现其愿望。
为此，得到如下模型：min =8y 1 16y 212y 3"+4丫2工 2< 2y i +4y ^ 3 J j > 0 , j =1,2,3我们就称（2）为模型（1）的对偶问题。
第三章 线性规划及其对偶问题
第三章 线性规划及其对偶问题线性规划是最优化问题的一种特殊情形，也是运筹学的一个重要分支，它的实质是从多个变量中选取一组适当的变量作为解，使这组变量满足一组确定的线性式，而且使一个线性目标函数达到最优（最大或最小）．线性规划的应用极为广泛，自1949年美国数学家G. B. Dantzing 提出一般线性规划问题求解的方法——单纯形法之后，线性规划无论在理论上、计算方法和开拓新的应用领域中，都获得了长足的进步，线性规划从解决技术问题的最优化设计到工业、农业、商业、交通运输业、军事、经济计划和管理决策等领域都有广泛的发展和应用．本章主要从线性规划的基本概念、数学模型、单纯形法、对偶理论、灵敏度分析等方面进行介绍．§3.1 线性规划数学模型基本原理一、线性规划的数学模型满足以下三个条件的数学模型称为线性规划的数学模型：（1）每一个问题都用一组决策变量T n x x x ][21，，， 表示某一方案；每一组值就代表一个具体方案．（2）有一个目标函数，可用决策变量的线性函数来表示，按问题的不同，要求目标函数实现最大化或最小化．（3）有一组约束条件，可用一组线性等式或不等式来表示． 线性规划问题的一般形式为1211221111221121122222112212max(min)()()()..()0n n n n n n n m m mn n m n f x x x c x c x c x a x a x a x b a x a x a x b s t a x a x a x b x x x =++++++≤=≥⎧⎪+++≤=≥⎪⎪⎨⎪+++≤=≥⎪⎪≥⎩，，，，，，，，，，，，，．这里，目标函数中的系数n c c c ，，， 21叫做目标函数系数或价值系数，约束条件中的常数m b b b ，，， 21叫做资源系数，约束条件中的系数；，，，m i a ij 21(= )21n j ，，， =叫做约束系数或技术系数．二、线性规划问题的标准形式所谓线性规划问题的标准形式，是指目标函数要求min ，所有约束条件都是等式约束，且所有决策定量都是非负的，即1211221111221121122222112212min ()..0n n n n n n n m m mn n mn f x x x c x c x c x a x a x a x b a x a x a x b s t a x a x a x b x x x =++++++=⎧⎪+++=⎪⎪⎨⎪+++=⎪⎪≥⎩，，，，，，，，，，，或简写为11min ()12..012nj j j nij ji j jf X c x a x b i m s t x j n ===⎧==⎪⎨⎪≥=⎩∑∑，，，，，，，，，，． 可以规定各约束条件中的资源系数0(12)i b i n ≥=，，，，否则等式两端乘以“1-”．线性规划问题的矩阵表示为min ()..0f X CX AX b s t X ==⎧⎨≥⎩，，，其中12[]n C c c c =，，，，12[]T n X x x x =，，，，11121212221212n n n m m mn a a a a a a A P P P a a a ⎡⎤⎢⎥⎢⎥==⎢⎥⎢⎥⎣⎦［，，，］，12[]T n b b b b =，，，． 任意的线性规划模型都可以转化为标准形式：（1）若目标函数是求最大值的问题，这时只需将所有目标函数系数乘以“－1”，求最大值的问题就变成了求最小值的问题，即)](min[)(max X f X f --=．求其最优解后，把最优目标函数值反号即得原问题的目标函数值．（2）若约束条件为不等式，这里有两种情况：一种是“≤”不等式，则可在“≤”不等式的左端加入一个非负的新变量（叫松驰变量），把不等式变为等式；另一种是“≥”不等式，则可在“≥”不等式的左端减去一个非负松驰变量（也叫剩余变量），把不等式变为等式．松驰变量在目标函数中对应的系数为零．（3）若存在取值无约束的变量k x ，可令k k k x x x ''-'=，其中k x '，0≥''k x ． 例3.1 将下列线性规划问题化为标准形式123123123123123max ()2372.3250f X x x x x x x x x x s t x x x x x x =-+++≤⎧⎪-+≥⎪⎨-++=⎪⎪≥⎩，，，，，，为无约束． 解 将目标函数变为)](min[X f -，令543x x x -=，其中450x x ≥，，在第一个约束不等式中加入松驰变量6x ，在第二个约束不等式中减去剩余变量7x ，则可得标准形式12456712456124571245124567min[()]23()00()7()2.32()5,,,,,0f X x x x x x x x x x x x x x x x x s t x x x x x x x x x x -=-+--++++-+=⎧⎪-+--=⎪⎨-++-=⎪⎪≥⎩，，，，．三、线性规划的解的概念和基本定理 考虑线性规划标准形式的约束条件0AX b X =≥，，其中A 为n m ⨯矩阵，m n >，b 是m 维向量．假定增广矩阵,A b ［］的秩=矩阵A 的秩m =，把矩阵A 的列进行可能的重新排列，使,A B N =［］．这里B 为m m ⨯矩阵，且有逆矩阵存在，即0||≠B ，称B 为该线性规划问题的一个基．不失一般性，设111211212,,,m m m m mm a a a B PP P a a a ⎡⎤⎢⎥==⎢⎥⎢⎥⎣⎦［］， 称(12)j P j m =，，，为基向量，与基向量对应的变量(12)j x j m =，，，称为基变量，记为12T B m X x x x =［，，，］，其余的变量称为非基变量，记为12T N m m n X x x x ++=［，，，］．令m n -个非基变量均为0，并用高斯消元法，可得一个解12[][00]T T T T B N m X X X x x x ==，，，，，，，，称X 为该约束方程组的基解，其中b B X B 1-=．满足非负约束条件0≥X （基解的非零分量都0≥）的基解称为基可行解．对应于基可行解的基称为可行基．基可行解的非零分量个数小于m 时，称为退化解．线性规划的解的基本定理：引理3.1 线性规划问题的可行解12[]T n X x x x =，，，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．证 必要性由基可行解的定义可知．下证充分性若向量组k P P P ，，，21线性无关，则必有m k ≤；当m k =时，它们恰构成一个基，从而12[00]T k X x x x =，，，，，，为相应的基可行解．当m k <时，则一定可以从其余的列向量中取出k m -个与k P P P ，，，21构成最大的线性无关向量组，其对应的解恰为X ，所以它是基可行解． 定理3.1 线性规划问题的基可行解X 对应于可行域D 的顶点． 证 不失一般性，假设基可行解X 的前m 个分量为正，故∑==mj jj b xP 1．（3.1）现在分两步来讨论，分别用反证法．（1）若X 不是基可行解，则它一定不是可行域D 的顶点．根据引理3.1，若X 不是基可行解，则其正分量所对应的系数列向量m P P P ，，， 21线性相关，即存在一组不全为零的数12i i m α=，，，，，使得02211=+++m m P P P ααα （3.2）用一个0>μ的数乘式（3.2），再分别与式（3.1）相加和相减，得到111222()()()m m m x P x P x P b μαμαμα-+-++-=，111222()()()m m m x P x P x P b μαμαμα++++++=．现取11122[()()()00]T m m X x x x μαμαμα=---，，，，，，，21122[()()()00]T m m X x x x μαμαμα=+++，，，，，，，由21X X ，可得121122X X X =+，即X 是21X X ，连线的中点．另一方面，当μ充分小时，可保证012i i x i m μα±≥=，，，，，即21X X ，是可行解，这证明了X 不是可行域D 的顶点．（2）若X 不是可行域D 的顶点，则它一定不是基可行解．因为X 不是可行域D 的顶点，故在可行域D 中可找到不同的两点，(1)(1)(1)112[]T nX x x x =，，，，T nx x x X ][)2()2(2)2(12，，， =，使12(1)01X X X ααα=+-<<，．设X 是基可行解，对应向量组m P P P ，，， 21线性无关，当m j >时，有0)2()1(===j j j x x x ，由于21X X ，是可行域的两点，应满足∑∑====mj mj jj j j b xP b x P 11)2()1(,．将这两式相减，即得∑==-mj j j jx xP 1)2()1(0)(．因21X X ≠，所以上式系数)()2()1(j j x x -不全为零，故向量组m P P P ，，， 21线性相关，与假设矛盾，即X 不是基可行解．定理3.2 若可行域有界，线性规划问题的目标函数一定可以在其可行域的顶点上达到最优．证 设k X X X ，，， 21是可行域的顶点，若0X 不是顶点，且目标函数在0X 处达到最优*0()f X CX =（标准形式是*()min ()f X f X =）．因0X 不是顶点，所以它可以用D 的顶点线性表示为01101kki i i i i i X X ααα===≥=∑∑，，．因此011k ki i i i i i CX C X CX αα====∑∑．（3.3）在所有的顶点中必然能找到某一个顶点m X ，使m CX 是所有i CX 中最小者，并且将m X 代替式（3.3）中的所有i X ，得到∑∑===≥ki ki m m i ii CX CX CX11αα，由此得到m CX CX ≥0．根据假设，0CX 是最小值，所以只能有m CX CX =0，即目标函数在顶点m X 处也达到最小值．§3.2 线性规划迭代算法单纯形法是求解线性规划问题的迭代算法．一、单纯形法的计算步骤单纯形法的基本思路是：从可行域中某个基可行解（一个顶点）开始，转换到另一个基可行解（顶点），直到目标函数达到最优时，基可行解即为最优解．单纯形法的基本过程如图3.1所示．为计算方便，通常借助于单纯形表来计算，从初始单纯形表3.1开始，每迭代一步构造一个新单纯形表．单纯型表中B X 列中填入基变量m x x x ，，， 21；B C 列中填入基变量的价值系数m c c c ，，， 21；b 列中填入约束方程组右端的常数；j θ列的数字是在确定换入变量后，按θ规则计算填入；最后一行称为检验数行，对应各非基变量j x 的检验数是∑=-=-=mi j j ij i j j z c a c c 1σ，1j m n =+，，（这里令∑==mi ijj j ac z 1）．（1）找出初始可行基，确定初始基可行解，建立初始单纯形表． （2）检验各非基变量j x 的检验数∑=-=-=mi j j iji j j z c ac c 1σ（1j m n =+，，）．若所有0≥j σ，则已得到最优解，停止计算．否则转入下一步．（3）在0(1)j j m n σ<=+，，，中，若所有0≤jk a ，则此问题无最优解，停止计算．否则转入下一步．（4）根据min{|0}j j k σσσ<=，确定k x 为换入变量．按θ规则计算min 0i l ik ik lkb ba a a θ⎧⎫=>=⎨⎬⎩⎭， 可确定l x 为换出变量，转入下一步．（5）以lk a 为主元素进行迭代（用高斯消元法），把k x 所对应的列向量120010k k k lk mk a a P l a a ⎡⎤⎡⎤⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥=−−−→⎢⎥⎢⎥←⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦⎣⎦变换成第行， 将B X 列中的l x 换为k x ，得到新的单纯形表，重复步骤（2）—步骤（5），直到终止．单纯形法的流程图如图3.2所示．若目标函数要求实现最大化，一方面可将最大化转换为最小化，另一方面也可在上述计算步骤中将判定最优解的0≥j σ改为0≤j σ，将换入变量的条件min{|0}j j k σσσ<=改为max{|0}j j k σσσ>=．二、初始可行基的确定 （1） 若线性规划问题是11min ()12..012nj j j nij ji j jf X c x a x b i m s t x j n ===⎧==⎪⎨⎪≥=⎩∑∑，，，，，，，，，，， 则从(12)j P j n =，，，中一般能直接观察到存在一个初始可行基12100010[,,,]001m B P P P ⎡⎤⎢⎥⎢⎥==⎢⎥⎢⎥⎣⎦．（2）对所有约束条件是“≤”形式的不等式，可以利用化标准形式的方法，在每个约束条件的左端加入一个松驰变量，经过整理重新对j x 及ij a 进行编号，可得下列方程组．，，m n mn m m m m n n m m n n m m b x a x a x b x a x a x b x a x a x =+++=+++=+++++++++ 11,2211,221111,11显然得到一个m m ⨯单位矩阵B 可作为初始可行基12100010[,,,]001m B P P P ⎡⎤⎢⎥⎢⎥==⎢⎥⎢⎥⎣⎦． （3）对所有约束条件是“≥”形式的不等式及等式约束情况，若不存在单位矩阵时，可采用人工变量，即对不等式约束减去一个非负的剩余变量后，再加入一个非负的人工变量；对等式约束再加入一个非负的人工变量，总可得到一个单位矩阵作为初始可行基．例3.2 求解线性规划问题12121212max ()2328416..4120f X x x x x x s t x x x =++≤⎧⎪≤⎪⎨≤⎪⎪≥⎩，，，，，． 解：将线性规划问题化为标准形式12345123142512345min[()]2300028416..4120f X x x x x x x x x x x s t x x x x x x x -=--+++++=⎧⎪+=⎪⎨+=⎪⎪≥⎩，，，，，，，，．作初始单纯形表，按单纯形法计算步骤进行迭代，结果如下（表3.2）．表3.2最后一行的检验数均为正，这表示目标函数值已不可能再减小，于是得到最优解*42004T X =［，，，，］，目标函数值14)(*=X f ．三、单纯形法的有关说明对线性规划问题min ()..0f X CX AX b s t X ==⎧⎨≥⎩，，，（3.5） 若系数矩阵中不含单位矩阵，没有明显的基可行解时，常采用引入非负人工变量的方法来求初始基可行解．下面分别介绍常用的“大M 法”和“两阶段法”．（一）大M 法在约束条件式（3.5）中加入人工变量，人工变量在目标函数中的价值系数为M ，M 为一个很大的正数．在迭代过程中，将人工变量从基变量中逐个换出，如果在最终表中当所有检验数0≥j σ时，基变量中不再含有非零的人工变量，这表示原问题有解，否则无可行解．例3.3 求解线性规划问题12312312313123min ()3211423..210f X x x x x x x x x x s t x x x x x =-++-+≤⎧⎪-++≥⎪⎨-+=⎪⎪≥⎩，，，，，，． 解：将原问题化为标准形式并引入人工变量，得12345671234123561371234567min ()300211423..210f X x x x x x Mx Mx x x x x x x x x x s t x x x x x x x x x x =-++++++-++=⎧⎪-++-+=⎪⎨-++=⎪⎪≥⎩，，，，，，，，，，．用单纯形法计算，得表3.3．根据表 3.3的最后一行的检验数均0≥，得最优解*4190000T X =［，，，，，，］，最优值2)(*-=X f ，由于人工变量的值均为零，故得原问题的最优解*419T X =［，，］，最优值为2)(*-=X f ．（二）两阶段法两阶段法是把线性规划问题的求解过程分为两个阶段：第一阶段，给原问题加入人工变量，构造仅含价值系数为1的人工变量的目标函数且要求实现最小化，其约束条件与原问题相同，即11111111211221112min ()00..0n n m n n n n nn n n m mn n n m m n m g X x x x x a x a x x b a x a x x b s t a x a x x b x x x ++++++=++++++++=⎧⎪+++=⎪⎪⎨⎪+++=⎪⎪≥⎩，，，，，，，． 然后用单纯形法求解上述问题，若得到0)(=X g ，这说明原问题存在基可行解，可进入第二阶段计算，否则原问题无可行解，停止计算．第二阶段，将第一阶段计算得到的最终表，除去人工变量，将目标函数行的系数换为原问题的目标函数系数，作为第二阶段计算的初始单纯形表进行计算．例3.4 用两阶段法求解线性规划问题12312312313123min ()3211423.210f X x x x x x x x x x s t x x x x x =-++-+≤⎧⎪-++≥⎪⎨-+=⎪⎪≥⎩，，，，，，． 解 第一阶段，标准化并引入人工变量，得如下的线性规划=)(min X g 76x x +，1234123561371234567211423.210x x x x x x x x x s t x x x x x x x x x x -++=⎧⎪-++-+=⎪⎨-++=⎪⎪≥⎩，，，，，，，，，． 用单纯形法计算该线性规划（见表 3.4），最优解为*[011120000]T X =，，，，，，，，最优值0)(*=X g ．表3.4由于人工变量076==X X ，所以得原问题的基可行解为[011120]T X =，，，，．于是进入第二阶段计算（见表3.5），最优解为*[41900]T X =，，，，，最优值2)(*-=X f ，于是原问题的最优解为*[419]T X =，，，最优值为2)(*-=X f ．§3.3 对偶问题的基本原理一、对偶问题的提出对偶性是线性规划的重要内容之一，每一个线性规划问题必然有与之相伴而生的另一个线性规划问题，我们称一个叫原问题，另一个叫对偶问题，这两个问题有着非常密切的关系，让我们先分析一个实际的线性规划模型与其对偶线性规划问题的经济意义．例3.5 某工厂计划在下一生产周期生产3种产品1A ，2A ，3A ，这些产品都要在甲、乙、丙、丁4种设备上加工，根据设备性能和以往的生产情况知道单位产品的加工工时，各种设备的最大加工工时限制，以及每种产品的单位利润（单位：千元），如表3.6所示，问如何安排生产计划，才能使工厂得到最大利润？解 设321x x x ，，分别为产品321A A A ，，的产量，构造此问题的线性规划模型为1231231231312123max ()8102237042280..3152250,,0f X x x x x x x x x x s t x x x x x x x =++++≤⎧⎪++≤⎪⎪+≤⎨⎪+≤⎪⎪≥⎩，，，，，．现在从另一个角度来讨论该问题．假设工厂考虑不安排生产，而准备将所有设备出租，收取租费．于是，需要为每种设备的台时进行估价．设4321y y y y ，，，分别表示甲、乙、丙、丁4种设备的台时估价．由表3.6可知，生产一件产品1A 需用各设备台时分别为h h h h 2342，，，，如果将h h h h 2342，，，不用于生产产品1A ，而是用于出租，那么将得到租费43212342y y y y +++．当然，工厂为了不至于蚀本，在为设备定价时，保证用于生产产品1A 的各设备台时得到的租费，不能低于产品1A 的单位利润8千元，即823424321≥+++y y y y ．按照同样分析，用于生产一件产品2A 的各设备台时h 1，h 2，0，h 2所得的租费，不能低于产品2A 的单位利润10千元，即1022421≥++y y y ．同理，还有223321≥++y y y ．另外，价格显然不能为负值，所以01234iy i ≥=，，，，． 企业现在设备的总以时数为70h ，80h ，15h ，50h ，如果将这些台时都用于出租，企业的总收入为422150158070)(y y y y Y g +++=．企业为了能够得到租用设备的用户，使出租设备的计划成交，在价格满足上述约束的条件下，应将设备价值定得尽可能低，因此取)(Y g 的最小值，综合上述分析，可得到一个与例3.5相对应的线性规划，即123412341231231234min ()70801550243282210..3220g Y y y y y y y y y y y y s t y y y y y y y =++++++≥⎧⎪++≥⎪⎨++≥⎪⎪≥⎩，，，，，，，．称后一个规划问题为前一个规划问题的对偶问题，反之，也称前一个规划问题是后一个规划问题的对偶问题．二、原问题与对偶问题的表达形式和关系在线性规划的对偶理论中，把如下线性规划形式称为原问题的标准形式11221111221121122222112212min ()..0n n n n n n m m mn n mn f X c x c x c x a x a x a x b a x a x a x b s t a x a x a x b x x x =++++++≥⎧⎪+++≥⎪⎪⎨⎪+++≥⎪⎪≥⎩，，，，，，，． 而把如下线性规划形式称为对偶问题的标准形式11221111221121122222112212max ()..0n n m m m m n n mn m nm g Y b y b y b y a y a y a y c a y a y a y c s t a y a y a y c y y y =++++++≥⎧⎪+++≥⎪⎪⎨⎪+++≥⎪⎪≥⎩，，，，，，，． 若用矩阵形式表示，则原问题和对偶问题分别可写成如下形式：原问题min ()..0f X CX AX b s t X =≥⎧⎨≥⎩，，．（3.6）对偶问题max ()..0g Y Yb YA C s t Y =≤⎧⎨≥⎩，，．（3.7）原问题与对偶问题的关系见表3.7．例3.6 求下面线性规划问题的对偶问题123412341342341234min ()23535224..600f X x x x x x x x x x x x s t x x x x x x x =+-++-+≥⎧⎪+-≤⎪⎨++=⎪⎪≤≥⎩，，，，，，，无约束． 解：根据表3.7可直接写出上述问题的对偶问题12312131********max ()546223..325100g Y y y y y y y y s t y y y y y y y y y =+++≥⎧⎪+≤⎪⎪-++≤-⎨⎪-+=⎪⎪≥≤⎩，，，，，，，无约束． 三、对偶理论定理3.3（弱对偶定理） 对偶问题（max ）的任何可行解︒Y ，其目标函数值总是不大于原问题（min ）任何可行解︒X 的目标函数值．证 由定理所设及问题（3.6）和问题（3.7）容易看出︒︒︒︒≤≤CX AX Y b Y ．定理3.4（对偶定理） 假如原问题或对偶问题之一具有有限的最优解，则另一问题也具有有限的最优解，且两者相应的目标函数值相等．假如一个问题的目标函数值是无界的，则另一问题没有可行解．证明从略．定理3.5（互补松驰定理） 假如︒X 和︒Y 分别是原问题（3.6）和对偶问题（3.7）的可行解，︒U 是原问题剩余变量的值，︒V 是对偶问题松驰变量的值，则︒X 、︒Y 分别是原问题和对偶问题最优解的充要条件是0=+︒︒︒︒X V U Y ．证 由定理所设，可知有0AX U b X U ︒︒︒-=︒≥，，，（3.8） 0Y A V C Y V ︒︒︒︒︒+=≥，，．（3.9）分别以︒Y 左乘式（3.8），以︒X 右乘式（3.9），两式相减，得b Y CX X U U Y ︒︒︒︒︒︒-=+．若0=+︒︒︒︒X V U Y ，根据弱对偶定理知CX b Y CX Yb ≤=≤︒︒．这说明︒X ，︒Y 分别是原问题和对偶问题最优解，反之亦然．根据互补松驰定理和决策变量满足非负条件可知，在最优解时，︒︒U Y 和︒︒X V 同时等于0，所以有)21(000n j x v j j ，，， ==， )21(000m i u y i i ，，， ==． 于是，互补松驰定理也可以这样叙述：最优化时，假如一个问题的某个变量取正数，则相应的另一个问题的约束条件必取等式；或者一个问题中的约束条件不取等式，则相应于另一问题中的变量必为零．例3.7 已知线性规划问题123451234512445min ()23523234.2330125jf X x x x x x x x x x x s t x x x x x x j =++++⎧++++≥⎪-+++≥⎨⎪≥=⎩，，，，，，，．已知其对偶问题的最优解为5)(5/35/4**2*1===Y g y y ，，，试用对偶理论找出原问题的最优解．解：先写出它的对偶问题12121212121212max ()4322(1)3(2)235(3)..2(4)33(5)0g Y y y y y y y y y s t y y y y y y =++≤⎧⎪-≤⎪⎪+≤⎪⎨+≤⎪⎪+≤⎪≥⎪⎩，，，，，，，．将*2*1y y ，的值代入约束条件，得（2），（3），（4）为严格不等式，由互补松驰定理得***2340x x x ===，因021≥y y ，，原问题的两个约束条件应取等式，故有**1534x x +=， **1523x x +=．求解后得到**1511x x ==，，故原问题的最优解为 **10001()5TX f X ==［，，，，］，．四、对偶问题的迭代算法对偶单纯形法是对偶问题的迭代算法，其基本思想是：从原问题的一个基本解出发，此基本解不一定是可行解，但它对应着对偶问题的一个可行解；然后检验原问题的基本解是否可行，即是否有负的分量．如果有小于零的分量，则进行迭代，求另一个基本解，此基本解对应着另一个对偶可行解．如果得到的基本解的分量皆非负，则该基本解为最优解．也就是说，对偶单纯形法在迭代过程中始终保持对偶解的可行解，使原问题的基本解由不可行逐步变为可行．当同时得到对偶问题与原问题的可行解时，便得到原问题的最优解．对线性规划问题的标准形式min ()..0f X CX AX b s t X =≥⎧⎨≥⎩，，．对偶单纯形法的计算步骤如下：(1)找出原问题的一个基，构成初始对偶基可行解，使所有检验数0≥j σ，构成初始对偶单纯形表．(2)若所有0≥i b ，则当前的解是最优解，停止计算，否则计算min{|0}l i i b b b =<，则l 行为主行，该行对应的基变量为换出变量．(3)若所有0≥lj a ，则对偶问题无界，原问题无解，停止计算，否则计算min |0j k lj lj lka a a σσθ⎧⎫⎪⎪=<=⎨⎬--⎪⎪⎩⎭，则k 列为主列，该列对应的基变量为换入变量．(4)以lk a 为主元素进行迭代，然后转回步骤(2)． 对偶单纯形法的流程图如图3.3所示．例3.8 用对偶单纯形法求解下述线性规划问题123123123123min ()23423..2340f X x x x x x x s t x x x x x x =++++≥⎧⎪-+≥⎨⎪≥⎩，，，，，．解：首先将“≥”约束条件两边反号，再加入松驰变量，可得原问题的一个基123451234123512345min ()2340023..2340f X x x x x x x x x x s t x x x x x x x x x =++++---+=-⎧⎪-+-+=-⎨⎪≥⎩，，，，，，，．图3.3从表3.8看出，所有检验数0≥j σ，则对应对偶问题的解是可行的，因b 列数字为负，需进行迭代，计算min 344--=-｛，｝．所以5x 为换出变量．又因为24min 123θ⎧⎫=-=⎨⎬⎩⎭，，，所以1x 为换入变量，以换入、换出变量所在行列交叉处元素“－2”为主元素，按单纯形法计算步骤进行迭代，得表3.9．由表3.9的最后一行看出，所有检验数0≥j σ，故原问题的最优解为*[11/52/50]T X =，，．若对应两个约束条件对偶变量为1y ，2y ，则可得对偶问题的最优解为*[8/51/5]T Y =，．§3.4 线性规划问题灵敏度在建立实际的线性规划模型时，所收集到的数据不是很精确；另一方面在实际应用中，各种信息瞬息万变，已形成的数学模型中的某些数据需要随之而变．因此，对于一个线性规划问题，研究当数据发生变动时解的变化情况是很重要的．下面仅介绍两种数据变化而导致解的变化的情况，这就是灵敏度分析问题．一、价值系数的变化假设只有一个系数k C 变化，其它系数保持不变 ，k C 的变化只影响检验解而不影响解的非负定性，下面分别就k C 是非基变量系数和基变量系数两种情况进行讨论．（1）k C 是非基变量的系数由于B C 不变，因而j Z 对任何j 都不变．这时非基变量的系数k C 的变化只影响与k C 有关的一个检验数k σ的变化，而对其它j σ没有影响，设系数从k C 变化到k C '，这时检验数k k k Z C -=σ被k k kZ C -'='σ所代替，在当前解是原问题的最优解时，有0≥-=k k k Z C σ，假如()(k k k k k k C Z C Z C σ'''=-=-+)0k C -<，则k X 必须引进基，单纯形法继续进行，否则原解仍是k C 变化后的新问题的最优解，最优解不变相当于k C '变化的界限为)(k k k kZ C C C --≥'． （2）k C 为基变量的系数当k C 被k C '所代替时，j Z 变成j Z '，j j Z C '-可计算为kj k kj j j j a C C Z C Z C )(-'--='-． （3.10）特别是当k j =时，0=-k k Z C ，且1=kk a ，因此k k k k C C Z C -'='-，仍为零．由式（3.10）知，基变量k x 的价值系数k C 的变化会引起整个价值系数行的变化，变化值为)(k k C C -'-乘以最终表相应该基变量k x 所在的k 行的数值kj a ．k 列本身则调整为0='-'k k Z C ．由式（3.10）可看出，当对某个非基变量j x ，式（3.10）为负时会引起基的变化，若要保持最优解不变，分析变化值)(k k C C -'且大于或小于零以及kj a 值是正或负的情况，得出会保持最优解不变的k C '的变化界限为max 0min 0j j j j k kj k k kj j jkj kj C Z C Z C a C C a a a ⎧⎫⎧⎫--⎪⎪⎪⎪'+<≤≤+>⎨⎬⎨⎬⎪⎪⎪⎪⎩⎭⎩⎭．例3.8 以例3.2的最终表为例，设基变量2x 的系数2C 变化2C ∆，在原最优解不变条件下，确定2C ∆的变化范围．解 此时例3.2的最终表便成为表3.10为了保持原最优解不变，则2x 的检验数应当为零，进行行初等变换，得表3.11．从表（3.11）可得02232≥∆-C 且08812≥∆+C ． 由此可得2C ∆的变化范围为312≤∆≤-C ，即2x 的价值系数2C 可以在[0，4]之间变化，而不影响原最优解．二、资源系数的变化假设资源系数k b 变化为k b '，k b 的变化将会影响解的可行性，但不会引起检验数的符号变化．根据基可行解的矩阵表示可知，b B X B 1-=，所以只要k b 变化必定会导致最优解的数值发生变化，最优解的变化分为两类：一类是保持01≥-b B ，最优基B 不变；另一类是b B 1-中出现负分量，这将使最优基B 变化，若最优基不变，则只需将变化后的k b 代入B X 的表达式重新计算即可；若b B 1-中出现负分量，则要通过迭代求解新的最优基和最优解．设系数k b 变化到k k k b b b ∆+='，而其它系数都不变，这样使最终表中原问题的解相应变化为11111100k B k k k k m mk m b a b X B b b B b B b b b a b ---⎡⎤⎡⎤⎢⎥⎢⎥'⎡⎤⎡⎤⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥'=+∆=+∆=+∆⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥'⎢⎥⎣⎦⎣⎦⎢⎥⎢⎥⎢⎥⎣⎦⎣⎦， 其中B X 为原最优解，i b '为B X 的第i 个分量，ik a 为1-B 的第i 行第k 列元素，为了保持最优基不变，应使0≥'B X ，即110k k m mk a b b b a '⎡⎤⎡⎤⎢⎥⎢⎥+∆≥⎢⎥⎢⎥⎢⎥⎢⎥'⎣⎦⎣⎦． 由此可得到保持最优基不变时，资源系数的变化界限为max 0min 0i i k ik k k ik ik ik b b b a b b a a a ⎧⎫⎧⎫''--⎪⎪⎪⎪'+>≤≤+<⎨⎬⎨⎬⎪⎪⎪⎪⎩⎭⎩⎭．例3.9 若例3.2的第二个约束条件中2b 变化为22b b ∆+，在最优解不变的条件下，求2b ∆的变化范围．解 计算⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡≥∆⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡-+⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡=⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡∆+--000812141244002211b b B b B可得2224/(1/4)164/(1/2)82/(1/8)16b b b ∆≥-=-∆≥-=-∆≤--=，，．所以2b ∆的变化范围是（－8，16）．显然2b 的变化范围是（8，32）．。
第三章 线性规划及图解法
max z＝11x1+8x2+0 sl +0 s2 +0 s3； 约束条件： 例2中 10x1+ 2x2-sl＝20， sl＝0 3x1+3 x2-s2＝18， s2＝0 4x1+9x2-s3＝36， s3＝13 x1，x2，sl，s2，s3≥0
六、线性规划数学模型的标准形式
引入了松驰变量和剩余变量后，就可以 将线性规划数学模型用“≤”，“≥”和“=” 建立的一般形式化为统一用“=”的标准形式：
兰州大学管理学院
运筹学
-------数据、模型与决策
2010年用
运筹学
第三章
线性规划及图解法
第三章 线性规划及图解法
确定型决策 ——线性规划方法
线性规划 ——所有资源限制条件式和目标 式都是自变量的一次方关系。
描述的是在一定资源限制下(自然状态)，给 出了很多个可以选择的不同方案(运行方案)， 从这些方案中找到一个最好的方案来执行。
二、线性规划问题的解
1、在线性规划问题的解集合中，若约束条件能构成 一个封闭的可行域，则可行域的任意点都是问题的 一个可行解，这些可行解中必有最优解。 若最优解是可行域中一个点，则这个解是线性 规划的唯一最优解。唯一最优解都必落在可行域的 顶点上，可行域的所有顶点称为基本可行解； 对于求最大目标的线性规划问题，取Z值最小的 基本可行解为初始基本可行解，再依次迭代至最优 解。 求最小目标的情况，可选可行域中任意目标初函 数值较大的点为初始基本可行解，再依次迭代至最
蛋白质 钙
食用量不能为负
一般线性规划问题的建模过程
（1）理解要解决的问题。明确在什么条件下，要 追求什么目标。 （2）定义决策变量。每个问题都用一组决策变量 (x1, x2, …, xn)表示，当这组决策变量取具体值时就 代表一个具体方案，一般这些变量取值是非负的。 （3）用决策变量的线性函数形式写出所要追求的 目标，即目标函数，按问题的不同，要求目标函数 实现最大化或最小化。 （4）用一组决策变量的等式或不等式来表示在解 决问题过程中所必须遵循的约束条件（决策分析中 的自然状态）。
第三章-线性规划的单纯形算法2
这样便结束了求全部最优基本可行解的过程，共得 四个基本最优解：
表1的：（2，3，0，1，0，0，0，0）T 表2的：（3 / 2，2，0，0，1/ 2，0，0，0）T 表3的：（0，1，0，1，0，0，2，0）T 表5的：（0，1/ 2，0，0，1/ 2，0，3 / 2，0）T
小结与复习提要：
x3
9x7 1/ 4 4 60 5 1/ 25 6 9 7 3x7 2 1/ 2 4 90 5 `1/ 50 6 3 7 x6 1 3 6
x j 0( j 17)
易见摄动问题的约束条件Ax=b(ε）中右端 的j 系数与左边
系数x j 相同，这是由b(ε）的构造决定的。
代公式知，应从下面两式中找θ，即：
min
x10 ( ) 1/ 4
x20 ( ) 1/ 2
min
1/
4
4
60 5 1/ 1/ 4
25
6
9
7
2 1/ 2 4 90 5 1/ 50 6 3 7
1/ 2
ε足够小，多项式取值主要取决于ε的较低次幂。
这里，0次项：
0 1/ 4
0 1/ 2
,1次项：1 1/ 4
X2 0 0 0 1 0 1/2 -90 -1/50 3
X3
0
1
0
0
1
0
0
1
0
σj
0 0 0 -3/4 150 -1/50 0
（注XB处只列出 0的系数，XB的取值为对应的 0系数及
j 行与该行中元素积之和。）
k min j 4 0 k 4，如何找l？在k 4这一列，
14 1/ 4 0，24 1/ 2 0 ，ε>0足够小时，由单纯形法迭
第三章 线性规划的灵敏度分析和最优解的解释
3.1 灵敏度分析简介
灵敏度分析是研究线性规划的参数(非可控输入)发生 变化对最优解的影响程度
线性规划的参数包括：
• 目标函数系数 • 约束条件右侧值 • 约束条件系数矩阵
最优解中包含的信息：
• 目标函数值 • 决策变量值 • 递减成本(reduced cost) • 松弛/剩余变量
4
3.1 灵敏度分析简介
利用Lingo 软件做灵敏度分析
16
17
利用Excel做灵敏度分析
Microsoft Excel 16.0 敏感性报告 工作表: [数据模型与决策第3章例题.xlsx]第三章例题1 报告的建立: 2021/5/29 10:48:56
可变单元格
单元格 $B$15 $C$15
名称 决策变量值 x1 决策变量值 x2
作者
John Loucks
St. Edward’s University
1
第三章 线性规划的灵敏度分析和最优解的解释
3.1 灵敏度分析简介 3.2 目标函数系数变化的分析 3.3 约束条件右端值变化的分析 3.4 传统灵敏度分析的局限性
2
第三章 线性规划的灵敏度分析和最优解的解释
3.1 灵敏度分析简介 3.2 目标函数系数变化的分析 3.3 约束条件右端值变化的分析 3.4 传统灵敏度分析的局限性
6
x1 < 6
2x1 + 3x2 < 19 x1 + x2 < 8
x1, x2 > 0
固定x2的系数7，改变x1 的系数
5
最优解:
Max 14/3x1 + 7x2
4
x1 = 5, x2 = 3
3
Max 7x1 + 7x2
第三章线性规划的单纯形算法1
2 x5 x5
10 6
xi 0(i 1 ~ 5)
解：第一步，将（LP）问题化为（SLP）问题。 第二步，作下面形式的单纯形表（开始只能写出左上部 表格）
基变量 cB xB
x1 1 10 x2 2 6
Z
x1 x2 x3 x4 x5 θ 1 2 11 7 6
1 0 2 1 2 10/ 0 1 3 3 12
z 22 3x3 0 • x4 2x5 22 (3)x3 0x4 (2)x5
由此可知当取x 1和x 2为基变量时， x 3, x 4, x 5的检验数分 别为-3，0和-2。目标值为22。
x 3, x 4或x 5每增加一个单位，z的值就相应增加3，0， 个单位，所以把x 3作为新基变量对改进目标函数最有利。
z的旧值 - z的新值=22-（25）= -3 称这个值为非基变量x 3 的检验值（判别数）。因为 可以用它来判别把x 3 改为基变量后，能否改进目标值。 这个检验数的绝对值有时也称为相对收益系数。
由于检验数为负，增加x 3可以增加目标函数值。这证 明目前的基可行解不是最优解，如将x 3改为基变量就可以 改进目标值。
类似的可以算 x 4, x 5 的检验数。 比较所得到的几个检验数，决定把哪个非基变量换为
基变量对目标函数的改进有利。
检验数也可以用消去目标函数z中x 1, x 2的代入法来得
到。将 x1 10 2x3 x4 2x5和x2 6 3x3 3x4 x5
代入目标函数 z x1 2x2 11x3 7x4 6x5得：
③把 z j 与 x j 下面的数 C j相减得： j z j C j
由于 xji (i 1 ~ m) 是基变量， B1Pji ei (0...0,1,0...0)T 因而对于基变量的判别数 ji C ji C ji 0, (i 1 ~ n) 即基变量对应判别数等于0。因而只需计算非基变量的nm个判别数就可以了。n个判别数组成一个n维向量 (1, 2,..., n )也可以用矩阵向量形式表出：
《运筹学》第三章线性规划对偶理论与灵敏度分析习题及答案
《运筹学》第三章线性规划对偶理论与灵敏度分析习题及答案一、填空题1. 在线性规划问题中，若原问题存在最优解，则其对偶问题也一定存在最优解，这是线性规划的基本性质之一，称为______。
答案：对偶性2. 在线性规划问题中，若原问题与对偶问题均存在可行解，则它们均有______。
答案：最优解3. 对于线性规划问题，若原问题约束条件系数矩阵为A，目标函数系数向量为c，则其对偶问题的目标函数系数向量是______。
答案：c的转置（c^T）二、选择题1. 线性规划的原问题与对偶问题之间的关系是：A. 原问题的最优解和对偶问题的最优解相同B. 原问题的最优解是对偶问题的最优解的负数C. 原问题的最优解与对偶问题的最优解互为对偶D. 原问题的最优解和对偶问题的最优解没有关系答案：C2. 在线性规划中，若原问题不可行，则其对应的对偶问题：A. 可行B. 不可行C. 无界D. 无法确定答案：B三、判断题1. 线性规划的原问题和对偶问题具有相同的可行解。
（）答案：错误2. 若线性规划的原问题存在唯一最优解，则其对偶问题也一定存在唯一最优解。
（）答案：正确四、计算题1. 已知线性规划问题：max z = 3x1 + 2x2s.t.x1 + 2x2 ≤ 42x1 + x2 ≤ 5x1, x2 ≥ 0求该问题的对偶问题，并求解原问题和对偶问题的最优解。
答案：对偶问题为：min w = 4y1 + 5y2s.t.y1 + 2y2 ≥ 32y1 + y2 ≥ 2y1, y2 ≥ 0原问题和对偶问题的最优解如下：原问题最优解：x1 = 2, x2 = 1，最大利润z = 8对偶问题最优解：y1 = 2, y2 = 1，最小成本w = 82. 某工厂生产甲、乙两种产品，生产一件甲产品需要2小时的机器时间和3小时的工人劳动时间，生产一件乙产品需要1小时的机器时间和1小时的工人劳动时间。
工厂每周最多能使用12小时的机器时间和9小时的工人劳动时间。
第3章线性规划的灵敏度分析
（3-2） 为了计算标准袋利润最优的范围，我们 假设高级袋的利润CD＝9，代入式（3-2）， 我们得到：
从左边的不等式，我们得到
因此
第12页/共93页
从右边的不等式，我们得到
因此， 综合标准袋利润CS的极限，标准袋利润最优 范围为：
6.3≤CS≤13.5
第13页/共93页
在最初Par公司的问题中，标准袋的利润 是10美元。最优解是540个标准袋和252个高级 袋。标准袋利润CS的最优范围告诉Par公司的 管理者：在其他系数不变的情况下，只要标准 袋的利润在6.3美元与13.5美元之间，540个标 准袋和252个高级袋总是最优产量。然而值得 注意的是，即使产量不变，总的利润也可能由 于每一个标准袋利润的变化而变化。
（3-1）
第10页/共93页
现在让我们考虑目标函数直线斜率的一 般形式。用CS表示标准袋的利润，CD表示 高级袋的利润，P表示目标函数值。使用这 些标识，目标函数直线可以写成：
P＝CSS＋CDD 把上面方程写成斜截式，得到：
CDD＝﹣CSS＋P 以及
因此，我们得到目标函数的斜率为－CS／CD。 把－CS／CD代入式（3-1），我们看到只要满 足下列条件，极点③就仍然是最优解点：
第8页/共93页
D
直线B
S+ (2/3)D=708
600
10S+ 9D=7668
400
③
200
可行域
直线A (7/10)S+D=630
图3-1
o
200
400
600
800
S
第9页/共93页
在图3-1中，我们可以看到只要 直线B的斜率≤目标函数直线的斜率≤直线
第3章 线性规划的单纯形法《管理运筹学》PPT课件
3.3 关于单纯形法的进一步讨论
根据以上思路，我们用二阶段法来求解下面例题： max z=3x1-x2-x3
x1-2x2+x3≤11 s.t. -4x1+x2+2x3≥3
,
C
CB CN
线性规划问题成为 max z=CBTXB+CNTXN+ CIT XI s.t. BXB+NXN+IXI=b XB，XN，XI≥0
3.2 单纯形法原理
这个线性规划问题可以用表3-1来表示：
表3-1称为初始单纯形表。可以看出，单纯形表中 直接包含了单纯形迭代所需要的一切信息。
3.2 单纯形法原理
3.1 线性规划的基本理论
1.可行区域的几何机构 考虑标准的线性规划问题：
min cT x
Ax b
s.t.
x
0
用Rn表示n维的欧式空间，这里x Rn，c Rn ，b Rn
，A Rmn . 不妨设可行区域 D {x Rn | Ax b, x 0} ，因此线性方程组 Ax b 相容，总可以把多余方程去掉，
3.2 单纯形法原理
1. 单纯形表的结构 设线性规划问题为 max z=CTX+CIT XI s.t. AX+XI=b X，XI≥0 设B是线性规划的一个可行基，为了表达简便，不妨
设这个基B包含在矩阵A中，即 A=[B，N]
3.2 单纯形法原理
变量X和目标函数系数向量C也相应写成：
X
XB XN
3.2 单纯形法原理
第三步：在基变量用非基变量表出的表达式中，观 察进基变量增加时各基变量变化情况，在进基变量增加 过程中首先减少到0的基变量成为“离基变量”.当进基 变量的值增加到使离基变量的值降为0时，可行解移动到 相邻的极点。
第三章 线性规划及图解法
第三章线性规划及图解法3.1根据下面决策变量x l、x2的约束条件，各画一张图显示满足这个约束的非负解。
再将这些约束条件综合在一张图上，表示出在外在约束（函数约束）和简单约束（非负约束）下的可行域。
x l- x2≤2-3x l+6 x2≥34x l-3 x2≥1解：3.2 有下面决策变量x l、x2构成的目标函数：max Z=2x l+3 x21、在一张图上分别画出Z =6、Z =12、Z =18时相应的目标函数直线。
2、写出这三条直线方程的斜截式形式，比较三条直线的斜率以及在x2轴上的截距。
解：1、2、三个斜截式中斜率相同，都是 ，在 2轴上的截距分别为2、4、6。
3.3 将下列线性规划问题划为标准形式 1、 max Z=3x l +2 x 2+4 x 3-8 x 4 S.T. x l +2 x 2+5 x 3+6 x 4≥8 -2x l +5 x 2+3 x 3-5 x 4≤2 2x l +4 x 2+4 x 3-5 x 4=18x l 、x 2、x 3 ≥0 x 4无约束解： max Z=3x l +2 x 2+4 x 3-8 x 5+8x 6+0x 7+0x 8S.T. x l +2 x 2+5 x 3+6 x 5-6x 6-x 7=8-2x l +5 x 2+3 x 3-5 x 5+5x 6+x 8=2 2x l +4 x 2+4 x 3-5 x 5+5x 6=18x l 、x 2、x 3、x 4、x 5 、x 6、x 7 、x 8 ≥0 2、 min f=5x l -2 x 2+4 x 3-3 x 4 S.T. -x l +2 x 2- x 3+4 x 4=-2 -x l +3 x 2+ x 3+ x 4≤14 2x l - x 2+3 x 3- x 4≥2x l 符号不限，x 2≤0，x 3 、x 4≥0解： max f=5x 1-5x 2 +2 x 3+4 x 4-3 x 5+0x 6+0x 7S.T. x 1-x 2 +2 x 3+ x 4-4 x 5=2-x 1+x 2 -3 x 3+ x 4+ x 5+x 6=142x l -2x 2+ x 3+3 x 4- x 5-x 7=2x 1、x 2、x 3、x 4 、x 5、x 6 、x 7≥03.4 用图解法求解下列线性规划问题 1、max Z=x l +2 x 2S.T. 3x l +5 x 2≤15 6x l +2 x 2≤12 x l 、 x 2≥0解： 最优解为（0，3），最优值：6。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
第三章 线性规划§1 线性规划在人们的生产实践中，经常会遇到如何利用现有资源来安排生产，以取得最大经济效益的问题。
此类问题构成了运筹学的一个重要分支—数学规划，而线性规划(Linear Programming 简记LP)则是数学规划的一个重要分支。
自从1947年G. B. Dantzig 提出求解线性规划的单纯形方法以来，线性规划在理论上趋向成熟，在实用中日益广泛与深入。
特别是在计算机能处理成千上万个约束条件和决策变量的线性规划问题之后，线性规划的适用领域更为广泛了，已成为现代管理中经常采用的基本方法之一。
1.1 线性规划的实例与定义 例1 某机床厂生产甲、乙两种机床，每台销售后的利润分别为4000元与3000元。
生产甲机床需用B A 、机器加工，加工时间分别为每台2小时和1小时；生产乙机床需用C B A 、、三种机器加工，加工时间为每台各一小时。
若每天可用于加工的机器时数分别为A 机器10小时、B 机器8小时和C 机器7小时，问该厂应生产甲、乙机床各几台，才能使总利润最大？上述问题的数学模型：设该厂生产1x 台甲机床和2x 乙机床时总利润最大，则21,x x 应满足（目标函数）2134max x x z += (1)s.t.（约束条件）⎪⎪⎩⎪⎪⎨⎧≥≤≤+≤+0,781022122121x x x x x x x （2）这里变量21,x x 称之为决策变量，（1）式被称为问题的目标函数，（2）中的几个不等式是问题的约束条件，记为s.t.(即subject to)。
上述即为一规划问题数学模型的三个要素。
由于上面的目标函数及约束条件均为线性函数，故被称为线性规划问题。
总之，线性规划问题是在一组线性约束条件的限制下，求一线性目标函数最大或最小的问题。
在解决实际问题时，把问题归结成一个线性规划数学模型是很重要的一步，但往往也是困难的一步，模型建立得是否恰当，直接影响到求解。
而选取适当的决策变量，是我们建立有效模型的关键之一。
1.2 线性规划问题的解的概念 一般线性规划问题的标准型为∑==nj j j x c z 1min (3)∑==≤nj ij ij m i b x a 1,,2,1 s.t. (4)可行解 满足约束条件（4）的解),,,(21n x x x x =，称为线性规划问题的可行解，而使目标函数（3）达到最小值的可行解叫最优解。
可行域 所有可行解构成的集合称为问题的可行域，记为R 。
1.3 线性规划的图解法图解法简单直观，有助于了解线性规划问题求解的基本原理。
我们先应用图解法来求解例1。
如上图所示，阴影区域即为LP 问题的可行域R 。
对于每一固定的值z ，使目标函数值等于z 的点构成的直线称为目标函数等位线，当z 变动时，我们得到一族平行直线。
让等位线沿目标函数值减小的方向移动，直到等位线与可行域有交点的最后位置，此时的交点（一个或多个）即为LP 的最优解。
对于例1，显然等位线越趋于右上方，其上的点具有越大的目标函数值。
不难看出，本例的最优解为T x )6,2(*=，最优目标值26*=z 。
从上面的图解过程可以看出并不难证明以下断言：（1）可行域R 可能会出现多种情况。
R 可能是空集也可能是非空集合，当R 非空时，它必定是若干个半平面的交集（除非遇到空间维数的退化）。
R 既可能是有界区域，也可能是无界区域。
（2）在R 非空时，线性规划既可以存在有限最优解，也可以不存在有限最优解（其目标函数值无界）。
（3）R 非空且LP 有有限最优解时，最优解可以唯一或有无穷多个。
（4）若线性规划存在有限最优解，则必可找到具有最优目标函数值的可行域R 的“顶点”。
上述论断可以推广到一般的线性规划问题，区别只在于空间的维数。
在一般的n 维空间中，满足一线性等式∑==ni ii b xa 1的点集被称为一个超平面，而满足一线性不等式∑=≤ni ii b xa 1（或∑=≥ni i i b x a 1）的点集被称为一个半空间（其中),,(1n a a 为一n 维行向量，b 为一实数）。
有限个半空间的交集被称为多胞形，有界的多胞形又被称为多面体。
易见，线性规划的可行域必为多胞形（为统一起见，空集Φ也被视为多胞形）。
在一般n 维空间中，要直接得出多胞形“顶点”概念还有一些困难。
二维空间中的顶点可以看成为边界直线的交点，但这一几何概念的推广在一般n 维空间中的几何意义并不十分直观。
为此，我们将采用另一途径来定义它。
定义 1 称n 维空间中的区域R 为一凸集，若R x x ∈∀21,及)1,0(∈∀λ，有R x x ∈-+21)1(λλ。
定义2 设R 为n 维空间中的一个凸集，R 中的点x 被称为R 的一个极点，若不存在R x x ∈21、及)1,0(∈λ，使得21)1(x x x λλ-+=。
定义1 说明凸集中任意两点的连线必在此凸集中；而定义2 说明，若x 是凸集R 的一个极点，则x 不能位于R 中任意两点的连线上。
不难证明，多胞形必为凸集。
同样也不难证明，二维空间中可行域R 的顶点均为R 的极点（R 也没有其它的极点）。
1.4 求解线性规划的Matlab 解法单纯形法是求解线性规划问题的最常用、最有效的算法之一。
单纯形法是首先由 George Dantzig 于1947年提出的，近60年来，虽有许多变形体已被开发，但却保持着同样的基本观念。
由于有如下结论：若线性规划问题有有限最优解，则一定有某个最优解是可行区域的一个极点。
基于此，单纯形法的基本思路是：先找出可行域的一个极点，据一定规则判断其是否最优；若否，则转换到与之相邻的另一极点，并使目标函数值更优；如此下去，直到找到某一最优解为止。
这里我们不再详细介绍单纯形法，有兴趣的读者可以参看其它线性规划书籍。
下面我们介绍线性规划的Matlab 解法。
Matlab5.3中线性规划的标准型为 b Ax x c Tx≤ such that min基本函数形式为linprog(c,A,b)，它的返回值是向量x 的值。
还有其它的一些函数调用形式（在 Matlab 指令窗运行 help linprog 可以看到所有的函数调用形式），如：[x,fval]=linprog(c,A,b,Aeq,beq,LB,UB,X 0,OPTIONS) 这里fval 返回目标函数的值，Aeq 和beq 对应等式约束beq x Aeq =*，LB 和UB 分别是变量x 的下界和上界，0x 是x 的初始值，OPTIONS 是控制参数。
例2 求解下列线性规划问题321532m a x x x x z -+=⎪⎩⎪⎨⎧≥≥+-=++0,,10527321321321x x x x x x x x x 解 （i ）编写M 文件 c=[2;3;-5];a=[-2,5,-1]; b=-10; aeq=[1,1,1]; beq=7;x=linprog(-c,a,b,aeq,beq,zeros(3,1)) value=c'*x（ii ）将M 文件存盘，并命名为example1.m 。
（iii ）在Matlab 指令窗运行example1即可得所求结果。
例3 求解线性规划问题 32132 min x x x z ++=⎪⎩⎪⎨⎧≥≥+≥++0,,62382432121321x x x x x x x x 解 编写Matlab 程序如下： c=[2;3;1];a=[1,4,2;3,2,0]; b=[8;6];[x,y]=linprog(c,-a,-b,[],[],zeros(3,1))1.5 可以转化为线性规划的问题很多看起来不是线性规划的问题也可以通过变换变成线性规划问题来解决。
如： 例4 问题为bAx x x x n ≤+++ t.s.||||||min 21其中T n x x x ][1 =，A 和b 为相应维数的矩阵和向量。
要把上面的问题变换成线性规划问题，只要注意到事实：对任意的i x ，存在0,>i i v u 满足i i i v u x -=，i i i v u x +=||事实上，我们只要取2||i i i x x u +=，2||ii i x x v -=就可以满足上面的条件。
这样，记T n u u u ][1 =，T n v v v ][1 =，从而我们可以把上面的问题变成∑=+ni i iv u1)(min⎩⎨⎧≥≤-0,)( t.s.v u bv u A§2 运输问题(产销平衡)例5 某商品有m 个产地、n 个销地，各产地的产量分别为m a a ,,1 ，各销地的需求量分别为n b b ,,1 。
若该商品由i 产地运到j 销地的单位运价为ij c ，问应该如何调运才能使总运费最省？解：引入变量ij x ，其取值为由i 产地运往j 销地的该商品数量，数学模型为∑∑==m i nj ijij xc 11mins.t. ⎪⎪⎪⎩⎪⎪⎪⎨⎧≥====∑∑==0,,2,1,,,1,11ij mi j ij nj i ij x n j b x m i a x显然是一个线性规划问题，当然可以用单纯形法求解。
对产销平衡的运输问题，由于有以下关系式存在：∑∑∑∑∑∑=======⎪⎭⎫ ⎝⎛=⎪⎪⎭⎫ ⎝⎛=mi i nj n j m i ij mi n j ij j a x x b 111111其约束条件的系数矩阵相当特殊，可用比较简单的计算方法，习惯上称为表上作业法（由康托洛维奇和希奇柯克两人独立地提出，简称康—希表上作业法）。
表上作业法是单纯形法在求解运输问题时的一种简化方法，其求解工作在运输表上进行逐步迭代如下：先按某一规则找出一个初始解（初始调运方案）；再对现行解作最优性判断；若这个解不是最优的，就在运输表上对它进行调整改进，得一新解；再判断，再改进，直到得到最优解。
§3 指派问题（又称分配问题Assignment Problem ）3.1 指派问题的数学模型例6 拟分配n 人去干n 项工作，每人干且仅干一项工作，若分配第i 人去干第j 项工作，需花费ij c 单位时间，问应如何分配工作才能使工人花费的总时间最少？容易看出，要给出一个指派问题的实例，只需给出矩阵)(ij c C =，C 被称为指派问题的系数矩阵。
引入变量ij x ，若分配i 干j 工作，则取1=ij x ，否则取0=ij x 。
上述指派问题的数学模型为∑∑==n i nj ijij xc 11mins.t. n ,1,2,j i,, 1 0,,2,1,1,,2,1,111⎪⎪⎪⎪⎩⎪⎪⎪⎪⎨⎧======∑∑== 或ij ni ij nj ij x n j x n i x (5)(5)的可行解既可以用一个矩阵(称为解矩阵)表示，其每行每列均有且只有一个元素为1，其余元素均为0，也可以用n ,,1 中的一个置换表示。