大M法（Big M Method）

前面一篇讲的单纯形方法的实现,但程序输入的必须是已经有初始基本可行解的单纯形表。

但实际问题中很少有现成的基本可行解，比如以下这个问题：

min f(x) = –3x1 +x2 + x3

s.t. x1 – 2x2 + x3 + x4=11

-4x1 + x2 + 2x3 - x5=3

-2x1+x3=1

xj>=0 , j=1,2,3,4,5

写成单纯形表就是

	x1	x2	x3	x4	x5	b
f	3	-1	-1	0	0	0
	1	-2	1	1	0	11
	-4	1	2	0	-1	3
	-2	0	1	0	0	1

很难找到秩为3的基阵，更不用说直接出现3阶单位阵了。在实际问题中，尤其是约束条件变多时，找到基阵甚至是判定A是否满秩都十分困难，因此在程序中引入大M法（Big M Method）来获得初始的基本可行解，这样我们能处理的问题就更加多样化了。

上篇已经说过，对于m*n的矩阵A来说，找到一个m*m 的满秩方阵就能得到基本可行解，但是在这么多列向量中怎样挑出m个线性无关的向量来组成一个满秩方阵呢？如果找起来麻烦的话，不如直接添加一个m阶单位阵来的方便！

大M法

大M法又称惩罚法，它是在目标函数中添加m个人工变量M*x（M是一个任意大的正数），同时在A矩阵中添加一个m阶单位矩阵。

这样一来新的A矩阵中就有了一个m*m满秩方阵，满足单纯形法求解的初始要求，但是若要得到最小值f(x),新添加的人工变量的值必然是0的，因为M可以是很大的数，如果Xn+1不为0，f(x)可能会很大，如果无法做到令人工变量取0值，那么原问题就无可行解。

需要注意的是，添加完人工变量之后，人工变量构成一组可行解的基变量，但单纯形初始矩阵要求基变量对应的检验数为0，故需要做行变换把基变量对应的检验数置0。

例如，本文开始引入的问题经过添加人工变量后变为

	x1	x2	x3	x4	x5	x6	x7	x8	b
f	3	-1	-1	0	0	-M	-M	-M	0
x6	1	-2	1	1	0	1	0	0	11
x7	-4	1	2	0	-1	0	1	0	3
x8	-2	0	1	0	0	0	0	1	1

再进行行变换把基变量x6，x7，x8对应的检验数置0，得到：

	x1	x2	x3	x4	x5	x6	x7	x8	b
f	3-5M	-1-M	-1+4M	0	0	0	0	0	0
x6	1	-2	1	1	0	1	0	0	11
x7	-4	1	2	0	-1	0	1	0	3
x8	-2	0	1	0	0	0	0	1	1

进行完这步之后，就回到了单纯形法求解的基本问题，利用原来的算法继续计算就好了。

Matlab实现

BigM.m

function [ x,y ] = BigM( f,A,b )
%输入f是检验数的数组，1*n维
%输入A是约束矩阵， m*n维
%输入b是约束向量， 1*m维
%输出x是解向量
%输出y是最优解
%判断输入维数是否相符
%做初始单纯形表,加入M变量
[n,m]=size(A);%n行m列
M=10000;
S=[f -1*M*ones(1,n) 0;A   eye(n)       b'];
format rat %将结果以分数表示
[n,m]=size(S);
%将人工变量的检验数置零
for k=1:n-1S(1,:)=S(1,:)+S(k+1,:)*M;
end
%判断检验数 r<=0
r=find(S(1,1:m-1)>0);
len=length(r);
flag=0;
%有大于0的检验数则进入循环
while(len)%检查非负检验数所对列向量元素是否都小于等于0for k=1:length(r)d=find(S(:,r(k))>0);if(length(d)+1==2)error('无最优解！！！')  %break;endend%找到检验数中最大值[Rk,j]=max(S(1,1:m-1));%最大值所在列比值为正数且最小值br/a_rkbr=S(2:n,m)./S(2:n,j);%把比值中的负数都变无穷for p=1:length(br)if(br(p)<0)br(p)=Inf;endend[h,i]=min(br);%列向量比值最小值% i+1为转轴元行号(在S中)，j为转轴元列号i=i+1;%进行换基,转轴元置1S(i,:)=S(i,:)./S(i,j);%转轴元所在列其他元素都置0for k=1:nif(k~=i)S(k,:)=S(k,:)-S(i,:)*S(k,j);end   end%判断检验数 r<=0r=find(S(1,1:m-1)>0);len=length(r);
%     %调试用，控制循环步数
%     if(len>0)flag=flag+1;end
%     if(flag==2)break;end
%     S
end%检验数全部非正，找到最优解%非基变量置0x=zeros(1,m-1);for i=1:m-1%找到基变量j=find(S(:,i)==1);%每列中1的个数k=find(S(:,i)==0);%每列中0的个数if((length(j)+1==2)&&(length(k)+1==n))%i为基本元列号，j是行号x(i)=S(j,m);endendy=S(1,m);%最优解S
end

测试程序：

f=[3 -1 -1 0 0];
A=[1 -2 1 1  0;-4  1 2 0 -1;-2  0 1 0  0 ];
b=[11 3 1 ];
[x,y]=BigM(f,A,b)
f=[5 2 3 -1];
A=[1 2 3 0 ;2 1 5 0 ;1 2 4 1 ];
b=[15 20 26];
[x,y]=BigM(f,A,b)
f=[5 10 0 0 0 ];
A=[1/14 1/7 1 0 0;1/7 1/12 0 1 0;1    1   0 0 1 ];
b=[1 1 8];
[x,y]=BigM(f,A,b)
[x,y]=Simplex(f,A,b)

计算结果：

转载于:https://www.cnblogs.com/oucsheep/p/3422160.html

大M法（Big M Method）相关推荐

机器学习数据预处理之离群值/异常值：箱图法（boxplot method）
机器学习数据预处理之离群值/异常值:箱图法(boxplot method) garbage in,garbage out. 异常值是分析师和数据科学家常用的术语,因为它需要密切注意,否则可能导致错误的 ...
二阶偏微分方程组龙格库塔法_有限单元法(Finite Element Method)实现声波方程模拟（Part 2）...
2.1 前言承接上一篇文章,前面我们已经介绍了一维声波方程有限元求解: 蓝不是蓝:有限单元法(Finite Element Method)实现声波方程模拟(Part 1)zhuanlan.zhih ...
二值化-大津法（OTSU）
论文 Otsu N . A Threshold Selection Method from Gray-Level Histograms[J]. IEEE Transactions on Systems ...
图像二值化——OTSU大津法
最大类间方差法是由日本学者大津(Nobuyuki Otsu)于1979年提出的,是一种自适应的阈值确定的方法,又叫大津法,简称OTSU.它是按图像的灰度特性,将图像分成背景和目标两部分,或者说,是寻找 ...
同伦法（Homotopy Method）
题目:同伦法(Homotopy Method) 学习压缩感知重构算法,经常能见到同伦法,但这里首先要特别说明的是,今天这里讨论的同伦法仅仅是一种思想,而不是一个具体的算法,类似于Majorizatio ...
matlab大津法函数,根据OSTU大津法使用Matlab实现数字图像处理segmentation的graythresh函数...
OSTU大津法算法思想: 一幅有depth个灰度级,根据每个灰度级t,可以将一幅图分为前景和背景. 前景指所有灰度级低于等于t的像素点,背景指大于t的像素点. w0指前景像素个数: w1指背景像素个数 ...
图像分割之大津法Otsu
中文网上大津法的介绍很多,但是大多数给出的代码不是最优的而且存在分母为零的问题. 基本概念大津法(简称Otsu)由1979年由日本学者大津提出的,是一种自适应阈值确定的方法,相关文献链接.它是根据图 ...
matlab写的单纯形法二阶段法大m法,线性规划中的单纯形法与内点法（原理、步骤以及matlab实现）（二）...
在线性规划中的单纯形法与内点法(原理.步骤以及matlab实现)(一)中,我们讨论了单纯形法的原理和普通单纯形法的应用,本文接着讨论大M法.两阶段法和对偶单纯形法 2.2 Big M Method ( ...
R语言层次聚类：通过内平方和（Within Sum of Squares, WSS）选择最优的聚类K值、以内平方和（WSS）和K的关系并通过弯头法（elbow method）获得最优的聚类个数
通过内平方和(Within Sum of Squares, WSS)选择最佳的聚类K值.以内平方和(WSS)和K的关系并通过弯头法(elbow method)获得最佳的聚类个数目录
动态阈值--大津法理解
原文在这儿:点击打开链接简介: 大津法(OTSU)是一种确定图像二值化分割阈值的算法,由日本学者大津于1979年提出.从大津法的原理上来讲,该方法又称作最大类间方差法,因为按照大津法求得的阈值进行图 ...

大M法（Big M Method）

大M法（Big M Method）相关推荐

最新文章

热门文章

	x1	x2	x3	x4	x5	x6	x7	x8	b
f	3	-1	-1	0	0	-M	-M	-M	0
x6	1	-2	1	1	0	1	0	0	11
x7	-4	1	2	0	-1	0	1	0	3
x8	-2	0	1	0	0	0	0	1	1

	x1	x2	x3	x4	x5	x6	x7	x8	b
f	3	-1	-1	0	0	-M	-M	-M	0
x6	1	-2	1	1	0	1	0	0	11
x7	-4	1	2	0	-1	0	1	0	3
x8	-2	0	1	0	0	0	0	1	1

	x1	x2	x3	x4	x5	x6	x7	x8	b
f	3	-1	-1	0	0	-M	-M	-M	0
x6	1	-2	1	1	0	1	0	0	11
x7	-4	1	2	0	-1	0	1	0	3
x8	-2	0	1	0	0	0	0	1	1