【运筹学】线性规划数学模型 ( 知识点回顾 | 可行解 | 最优解 | 阶梯型矩阵 | 阶梯型矩阵向量 | 基 | 基向量 | 基变量 | 非基变量 )
文章目录
- 一、知识点回顾
- 1、线性规划三要素
- 2、线性规划一般形式
- 3、线性规划标准形式
- 二、线性规划解、可行解、最优解
- 三、阶梯型矩阵
- 四、阶梯型矩阵向量
- 五、基、基向量、基变量、非基变量
一、知识点回顾
1、线性规划三要素
线性规划三要素 :
- 决策变量 : x1,x2,⋯x_1 , x_2 , \cdotsx1,x2,⋯
- 目标条件 : 决策变量的线性函数 , 求最大值或最小值 ;
- 约束条件 : 一组由决策变量组成的等式或不等式 ;
2、线性规划一般形式
max(min)z=∑j=1ncjxj{∑j=1naijxj=bi(i=1,2⋯m)xj≥0(i=1,2⋯n)\begin{array}{lcl}max (min) z = \sum_{j=1}^{n}c_j x_j\\ \\ \begin{cases} \sum_{j=1}^{n} a_{ij}x_j = b_i & (i = 1 , 2 \cdots m) \\ \\x_j \geq 0 & (i = 1 , 2 \cdots n) \end{cases}\end{array}max(min)z=∑j=1ncjxj⎩⎪⎨⎪⎧∑j=1naijxj=bixj≥0(i=1,2⋯m)(i=1,2⋯n)
3、线性规划标准形式
标准形式特点及转化步骤 : 按照如下顺序进行处理 ;
- 约束条件都是等式 , 且右侧常数 ≥0\geq 0≥0 , 小于等于不等式加上松弛变量 , 大于等于不等式减去剩余变量 ;
- 决策变量 ≥0\geq 0≥0 , 没有约束的变量 xj=xj′−xj′′x_j = x_j' - x_j''xj=xj′−xj′′ , 使用两个变量代替 111 个变量 ;
- 目标函数求最大值 , 如果是求最小值 , 目标函数 ×−1\times -1×−1 ;
线性规划标准形式 :
maxZ=∑j=1ncjxjs.t{∑j=1naijxj≤(=⋅≥)bii=1,2,⋯,mxj≥0j=1,2,⋯,n\begin{array}{lcl}max Z = \sum_{j = 1}^{n} c_j x_j\\\\ s.t \begin{cases} \sum_{j = 1}^{n} a_{ij} x_j \leq ( = \cdot \geq) b_i & i = 1,2,\cdots,m \\ \\ x_j \geq 0 & j= 1, 2,\cdots,n \end{cases}\end{array}maxZ=∑j=1ncjxjs.t⎩⎪⎨⎪⎧∑j=1naijxj≤(=⋅≥)bixj≥0i=1,2,⋯,mj=1,2,⋯,n
二、线性规划解、可行解、最优解
线性规划标准形式如下 :
maxZ=∑j=1ncjxjs.t{∑j=1naijxj=bii=1,2,⋯,mxj≥0j=1,2,⋯,n\begin{array}{lcl}max Z = \sum_{j = 1}^{n} c_j x_j\\\\ s.t \begin{cases} \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{cases}\end{array}maxZ=∑j=1ncjxjs.t⎩⎪⎨⎪⎧∑j=1naijxj=bixj≥0i=1,2,⋯,mj=1,2,⋯,n
可行解 : 满足约束条件的解 , 称为可行解 ;
可行域 : 所有的可行解组成的集合 , 称为可行域 ;
最优解 : 使目标函数达到最大值的可行解 , 称为最优解 ;
线性规划求解就是在 可行解 中找出一个 最优解 ;
将线性规划转化为标准形式 , 就可以使用求解方程组的方法 , 求解线性规划的可行解 ;
三、阶梯型矩阵
拿到一个方程组 AX=BAX = BAX=B , 其中
- AAA 是 m×nm \times nm×n 的矩阵
- XXX 是 n×1n \times 1n×1 维向量
- BBB 是 m×1m \times 1m×1 维向量
这是线性规划的矩阵形式 , 参考 【运筹学】线性规划数学模型 ( 三要素 | 一般形式 | 向量形式 | 矩阵形式 ) VI 线性规划数学模型矩阵形式
解上述方程组 , 使用高斯方程 , 高斯消元法 ;
将系数矩阵 AAA 和 BBB 做成一个矩阵 (AB)\bigl( A B \bigr)(AB) , 进行行变换 , 消元成阶梯形式 , 此时可以判断该方程组是否有解 , 如果有 , 可以将所有的解解出来 , 求解时 , 阶梯元素很关键 ,
阶梯型矩阵参考 : 矩阵中每行的第一个不为零的元素 , 其左侧和下方全是 0 ;
高斯消元法示例 : 求解下面的方程组 ;
{x1+x2+x3=8x2−x3=2\begin{cases} x_1 + x_2 + x_3 = 8 \\ \\ x_2 - x_3 = 2 \end{cases}⎩⎪⎨⎪⎧x1+x2+x3=8x2−x3=2
(AB)\bigl( A B \bigr)(AB) 矩阵为 [111801−12]\begin{bmatrix} &1 & 1 & 1 & 8 & \\\\ &0 & 1 & -1 & 2 & \end{bmatrix}⎣⎡10111−182⎦⎤
找到阶梯型矩阵 : 前两列就是阶梯型矩阵 ;
前两列的矩阵 [1101]\begin{bmatrix} &1 & 1 & \\\\ &0 & 1 & \end{bmatrix}⎣⎡1011⎦⎤ 就是特殊矩阵 , 分别是 x1x_1x1 和 x2x_2x2 对应的矩阵 ;
x3x_3x3 是特殊的变量 , 其可以任意取值的 , 当 x3x_3x3 取任意值时 , 通过阶梯型矩阵 , 可以计算出 x1x_1x1 和 x2x_2x2 的值 ;
假设 x3x_3x3 取值为 kkk , 那么 :
- x2=k+2x_2 = k + 2x2=k+2
- x1=6−2kx_1 = 6 - 2kx1=6−2k
四、阶梯型矩阵向量
{x1+x2+x3=8x2−x3=2\begin{cases} x_1 + x_2 + x_3 = 8 \\ \\ x_2 - x_3 = 2 \end{cases}⎩⎪⎨⎪⎧x1+x2+x3=8x2−x3=2
方程组中有如下向量 :
x1x_1x1 对应的矩阵列向量 [10]\begin{bmatrix} &1 & \\\\ &0 & \end{bmatrix}⎣⎡10⎦⎤ 称为 P1P_1P1 ,
x2x_2x2 对应的矩阵列向量 [11]\begin{bmatrix} &1 & \\\\ &1 & \end{bmatrix}⎣⎡11⎦⎤ 称为 P2P_2P2 ,
x3x_3x3 对应的矩阵列向量 [1−1]\begin{bmatrix} &1 & \\\\ &-1 & \end{bmatrix}⎣⎡1−1⎦⎤ 称为 P3P_3P3 ,
写成向量形式 (P1P2P3b)\bigl( \ P_1 \ P_2 \ P_3 \ b \ \bigr)( P1 P2 P3 b ) , 在上方程组的矩阵中 , 找到阶梯型矩阵后 , 阶梯型矩阵对应的向量 P1P_1P1 和 P2P_2P2 是特殊的 ;
(P1P2)\bigl( \ P_1 \ P_2 \ \bigr)( P1 P2 ) 两个列向量构成了 2×22 \times 22×2 二阶方阵 , 该方阵是阶梯型矩阵 , 是可逆的 ;
可逆矩阵参考
上述方程组可以写成 P1x1+P2x2+P3x3=bP_1x_1 + P_2 x_2 + P_3x_3 = bP1x1+P2x2+P3x3=b 形式 ;
有如下计算推导过程 :
AX=BAX = BAX=B
P1x1+P2x2+P3x3=bP_1x_1 + P_2 x_2 + P_3x_3 = bP1x1+P2x2+P3x3=b
(P1P2)(x1x2)+P3x3=b\bigl( \ P_1 \ P_2 \ \bigr) \begin{pmatrix} x_1 \\ x_2 \end{pmatrix} + P_3x_3 = b( P1 P2 )(x1x2)+P3x3=b
将 (P1P2)\bigl( \ P_1 \ P_2 \ \bigr)( P1 P2 ) 当做一个矩阵 BBB , 将 (x1x2)\begin{pmatrix} x_1 \\ x_2 \end{pmatrix}(x1x2) 当做一个矩阵 XBX_BXB ;
将整个系数矩阵 除了 BBB 之外剩下的矩阵称为 NNN , 对应的变量矩阵称为 XNX_NXN ;
BXB+NXN=bBX_B + NX_N = bBXB+NXN=b
在上述矩阵的表达式中 , 方程组 {x1+x2+x3=8x2−x3=2\begin{cases} x_1 + x_2 + x_3 = 8 \\ \\ x_2 - x_3 = 2 \end{cases}⎩⎪⎨⎪⎧x1+x2+x3=8x2−x3=2 中 一定有一个系数矩阵的子矩阵 BBB 是特殊的矩阵 ;
BBB 矩阵与 AAA 矩阵的关系 :
AAA 矩阵是 m×nm \times nm×n 维的矩阵 , mmm 行 , nnn 列 , 有 nnn 个变量 , mmm 个等式 ;
AAA 的秩为 mmm , 且 n≥mn \geq mn≥m ;
矩阵 BBB 就是 m×mm \times mm×m 的方阵 ;
线性规划前提 :
这里说明一下 , 如果 n≤mn \leq mn≤m , 那么该方程组有唯一解 , 或无解 ;
整个运筹学讨论的就是等式个数 mmm 少于变量个数 nnn , 有多个解的情况下 , 如何找出最优解 , 因此其矩阵的秩就是等式个数 mmm ;
五、基、基向量、基变量、非基变量
AAA 矩阵是 m×nm \times nm×n 维的矩阵 , mmm 行 , nnn 列 , 线性规划中 , 有 nnn 个变量 , mmm 个等式 ;
矩阵 AAA 的秩是 mmm , 即等式个数 ;
矩阵 AAA 中肯定能找到一个可逆的方阵 , 矩阵 BBB ;
矩阵 BBB 是矩阵 AAA 中的满秩子矩阵 , 则称该 矩阵 BBB 是线性规划问题的一个 基 ;
P1x1+P2x2+P3x3=bP_1x_1 + P_2 x_2 + P_3x_3 = bP1x1+P2x2+P3x3=b
上述示例中的 (P1P2)\bigl( \ P_1 \ P_2 \ \bigr)( P1 P2 ) 就是线性规划中的基 ;
(P1P2)\bigl( \ P_1 \ P_2 \ \bigr)( P1 P2 ) , (P1P3)\bigl( \ P_1 \ P_3 \ \bigr)( P1 P3 ) , (P2P3)\bigl( \ P_2 \ P_3 \ \bigr)( P2 P3 ) 都是线性规划的基 ;
基向量 : 上述 基矩阵 中的 P1,P2,P3P_1 , P_2 , P_3P1,P2,P3 列向量 , 称为 基向量 ;
基变量 : 与基向量相乘的 x1,x2,x3x_1 , x_2, x_3x1,x2,x3 变量 , 称为 基变量 ;
非基变量 : 基变量之外的其它变量 , 称为非基变量 ;
【运筹学】线性规划数学模型 ( 知识点回顾 | 可行解 | 最优解 | 阶梯型矩阵 | 阶梯型矩阵向量 | 基 | 基向量 | 基变量 | 非基变量 )相关推荐
- 【运筹学】线性规划问题的解 ( 可行解 | 可行域 | 最优解 | 秩的概念 | 极大线性无关组 | 向量秩 | 矩阵秩 | 基 | 基变量 | 非基变量 | 基解 | 基可行解 | 可行基 )
文章目录 I . 线性规划问题解 II . 可行解 与 可行域 III . 最优解 IV . 秩 的 概念 V . 基 的概念 VI . 基变量 与 非基变量 VII . 基解 VIII . 基可行解 ...
- 【运筹学】线性规划 单纯形法 ( 基矩阵 | 基变量 | 非基矩阵 | 非基变量 | 矩阵分块形式 | 逆矩阵 | 基解 | 基可行解 )
文章目录 I . 基矩阵 B II . 基向量 PjP_jPj III . 基变量 IV . 非基矩阵 NNN V . 系数矩阵分块形式 A=(BN)A = ( B N )A=(BN) VI . 基 ...
- 【运筹学】线性规划数学模型 ( 单纯形法 | 迭代原则 | 入基 | 出基 | 线性规划求解示例 )
文章目录 一.单纯形法计算示例 ( 上篇博客回顾总结 ) 二.迭代原则 三.最优解推导 四.出基与入基 五.出基与入基变量选择 一.单纯形法计算示例 ( 上篇博客回顾总结 ) 在上一篇博客 [运筹学] ...
- 管理运筹学的一些知识点
文章目录 前言 模型建立要求 线性规划问题数学模型的一般表达形式 解的情况 约束条件中常数项的灵敏度分析 影子价格 对偶价格 松约束 紧约束 小结 线性规划模型的标准形式 单纯形法 基本思路和原理 引 ...
- 【运筹学】线性规划数学模型 ( 单纯形法 | 最优解判定原则 | 可行解表示 | 目标函数推导 | 目标函数最大值分析 )
文章目录 一.基矩阵 + 非基矩阵 约束条件 二.基矩阵 + 非基矩阵 线性规划 三.线性规划 可行解 四.目标函数 推导 五.XN=OX_N = OXN=O 目标函数最大 分析 六.总结 在上一篇 ...
- 【运筹学】线性规划数学模型 ( 单纯形法 | 第二次迭代 | 方程组同解变换 | 生成新单纯形表 | 计算检验数 | 最优解判定 | 线性规划解个数分析 )
文章目录 一.第二次迭代 二.方程组同解变换 三.生成新的单纯形表 四.计算检验数.最优解判定 五.最优解个数说明 1.唯一最优解 2.无穷最优解 3.无界解 4.总结 六.出基变量选择说明 上一篇博 ...
- 【运筹学】线性规划数学模型 ( 单纯形法 | 最优解判定原则 | 线性规划求解示例 )
文章目录 一.单纯形法计算示例 二.转化标准形式 三.查找初始基可行解 四.列出单纯形表 五.最优解判定 在上一篇博客 [运筹学]线性规划数学模型 ( 单纯形法 | 最优解判定原则 | 单纯形表 | ...
- 【运筹学】线性规划数学模型 ( 单纯形法 | 最优解判定原则 | 单纯形表 | 系数计算方法 | 根据系数是否小于等于 0 判定最优解 )
文章目录 一.(CNT−CBTB−1N)( C_N^T - C_B^T B^{-1}N )(CNT−CBTB−1N) 系数 分析 二.CBC_BCB XBX_BXB 分析 三.CNC_NCN ...
- 【运筹学】线性规划数学模型 ( 单纯形法原理 | 单纯形法流程 | 查找初始基可行解 )
文章目录 一.单纯形法原理 二.单纯形法流程 三.初始的基可行解查找 一.单纯形法原理 单纯形法的理论基础 : 定理 111 ( 可行域是凸集 ) : 如果线性规划的问题 存在可行解 , 其 可行域 ...
最新文章
- pandas使用query函数和sample函数、使用query函数筛选dataframe中的特定数据行并使用sample函数获取指定个数的随机抽样数据
- 黑色星期五c语言,求黑色星期五问题~
- 在 asp.net core \ vs2015 update2 情况况下创建 asp.net core web application 的问题
- python内循环只执行一次_如何1分钟内从3600只股种选出黑马股,仅分享这一次(太透彻了)...
- python生成相似句子_4种方法计算句子相似度
- php 系统模版_原生 PHP 模板系统:Plates
- hibernate Restrictions 用法 查询
- c#文件分割与合并 part 1 (转自互联网)
- ASP.NET MVC with Entity Framework and CSS一书翻译系列文章之第二章:利用模型类创建视图、控制器和数据库...
- Quartz-第四篇 常规quartz的使用
- 信号与系统 第一章 信号与系统概述 思维导图
- 我的Verilog HDL学习历程(二) 组合逻辑电路的一个实例:基于EGO1板子
- 055 集体照 (25 分)
- cad安装日志文件发生错误_CAD安装不正确怎么办?CAD发生错误安装过早结束的解决方法...
- 计算机组成原理课程设计 从1加到10,带进位左移三位,计算机组成原理课程设计--乘除法运算.docx...
- 《新修本草》是世界上由政府颁布的最早药典
- 博客优化、收录、RSS技巧
- 阿里星计算机专业好就业吗,不懂就问,本科北邮计算机,硕士北大计算机,现在杭州阿里,能有几个街薪?...
- php sendmail 抄送,Python发送邮件各种姿势
- ISCC2021-部分题目再现