文章目录

前言
最优化—线性规划
- 模型问题
- - 线性规划模型的一般形式（min）
  - 线性规划规范形式
  - 线性规划标准型
  - 模型的转换
  - 线性规划中的规律
  - - 规范形式顶点的数学描述
    - 标准形式顶点的数学描述
    - 标准形式顶点的等价描述之一
    - 标准形式顶点的等价描述之二
  - 线性规划标准形式的一些基本概念
  - 线性规划标准形式的基本定理

前言

此总结参考清华王焕刚老师的课，本人只是渣渣辉。

最优化—线性规划

模型问题

线性规划模型的一般形式（min）

min⁡∑j=1ncjxjs.t. ∑j=1naijxj=bi,∀1≤i≤p∑j=1naijxj≥bi,∀p+1≤i≤mxj≥0,∀1≤j≤q∞>xj>−∞,∀q+1≤j≤n\begin{array}{l} \min \sum_{j=1}^{n} c_{j} x_{j} \\ \text { s.t. } \quad \sum_{j=1}^{n} a_{i j} x_{j}=b_{i}, \quad \forall 1 \leq i \leq p \\ \quad \sum_{j=1}^{n} a_{i j} x_{j} \geq b_{i}, \quad \forall p+1 \leq i \leq m \\ \quad x_{j} \geq 0, \forall 1 \leq j \leq q \\ \quad \infty>x_{j}>-\infty, \forall q+1 \leq j \leq n \end{array} min∑j=1ncjxj s.t. ∑j=1naijxj=bi,∀1≤i≤p∑j=1naijxj≥bi,∀p+1≤i≤mxj≥0,∀1≤j≤q∞>xj>−∞,∀q+1≤j≤n

线性规划规范形式

线性规划标准型

max⁡c1x1+c2x2+⋯+cnxn目标函数 s.t. a11x1+a12x2+⋯+a1nxn=b1a21x1+a22x2+⋯+a2nxn=b2⋮am1x1+am2x2+⋯+amnxn=bm}等式约束 \left.\begin{array}{ll} \max \quad c_{1} x_{1}+c_{2} x_{2}+\cdots+c_{n} x_{n} & \text { 目标函数 } \\ \text { s.t. } \quad a_{11} x_{1}+a_{12} x_{2}+\cdots+a_{1 n} x_{n}=b_{1} \\ \quad \quad \quad a_{21} x_{1}+a_{22} x_{2}+\cdots+a_{2 n} x_{n}=b_{2} \\ \quad \quad \quad \quad \quad \quad \quad \vdots \\ \quad \quad \quad a_{m 1} x_{1}+a_{m 2} x_{2}+\cdots+a_{m n} x_{n}=b_{m} \end{array}\right\} \text { 等式约束 } maxc1x1+c2x2+⋯+cnxn s.t. a11x1+a12x2+⋯+a1nxn=b1a21x1+a22x2+⋯+a2nxn=b2⋮am1x1+am2x2+⋯+amnxn=bm 目标函数 ⎭⎪⎪⎪⎪⎪⎬⎪⎪⎪⎪⎪⎫ 等式约束

x1≥0x2≥0⋮xn≥0}决策变量具有非负约束\left.\begin{array}{c} x_{1} \geq 0 \\ x_{2} \geq 0 \\ \vdots \\ x_{n} \geq 0 \end{array}\right\} \text {决策变量具有非负约束} x1≥0x2≥0⋮xn≥0⎭⎪⎪⎪⎬⎪⎪⎪⎫决策变量具有非负约束

min⁡(or max⁡)∑j=1ncjxjmin⁡(or max⁡)CTXs.t. ∑j=1naijxj=bi,∀1≤i≤m⇒s.t. AX=b⃗xj≥0,∀1≤j≤nX≥0C=(c1⋮cn)X=(x1⋮xn)A=(a11⋯a1n⋮⋱⋮am1⋯amn)b⃗=(b1⋮bm)\begin{array}{l} \min (\text { or } \max ) \sum_{j=1}^{n} c_{j} x_{j} \quad\quad\quad\quad\quad\quad\quad\quad \min (\text { or } \max ) C^{T} X \\ \text { s.t. } \sum_{j=1}^{n} a_{i j} x_{j}=b_{i}, \quad \forall 1 \leq i \leq m \quad \Rightarrow \quad \text { s.t. } \quad A X=\vec{b} \\ x_{j} \geq 0, \forall 1 \leq j \leq n \quad \quad \quad\quad\quad\quad\quad\quad\quad\quad\quad\quad\quad\quad X\geq0\\ C=\left(\begin{array}{c} c_{1} \\ \vdots \\ c_{n} \end{array}\right) \quad X=\left(\begin{array}{c} x_{1} \\ \vdots \\ x_{n} \end{array}\right) \quad A=\left(\begin{array}{ccc} a_{11} & \cdots & a_{1 n} \\ \vdots & \ddots & \vdots \\ a_{m 1} & \cdots & a_{m n} \end{array}\right) \quad \vec{b}=\left(\begin{array}{c} b_{1} \\ \vdots \\ b_{m} \end{array}\right) \end{array} min( or max)∑j=1ncjxjmin( or max)CTX s.t. ∑j=1naijxj=bi,∀1≤i≤m⇒ s.t. AX=bxj≥0,∀1≤j≤nX≥0C=⎝⎜⎛c1⋮cn⎠⎟⎞X=⎝⎜⎛x1⋮xn⎠⎟⎞A=⎝⎜⎛a11⋮am1⋯⋱⋯a1n⋮amn⎠⎟⎞b=⎝⎜⎛b1⋮bm⎠⎟⎞

以后我们所考虑的线性规划标准型为:
max⁡CTXs.t. AX=b⃗X≥0\begin{array}{c} \max C^{T} X \\ \text { s.t. } A X=\vec{b} \\ X \geq 0 \end{array} maxCTX s.t. AX=bX≥0
其中 C∈Rn,X∈Rn,A∈Rm×n,b⃗∈Rm,C \in R^{n}, X \in R^{n}, A \in R^{m \times n}, \vec{b} \in R^{m},C∈Rn,X∈Rn,A∈Rm×n,b∈Rm, 并假定

n>mn>mn>m
AAA 的行向量线性无关

模型的转换

对于模型间的转换，其实就是一些变量的添加和符号的改变

线性规划中的规律

一维、二维、三维规划中：

可行集中任意两点的连线都在可行集内：凸集
最优解都不在两个不同点的连线上：顶点
所有顶点的个数有限：有限集

线性规划的可行集是凸集，标准线性规划问题也是凸集。

所以高纬要解决的问题是：1 可行集是否是凸集，2 顶点集为有限集 3 在顶点集中找到最优解

如果这些问题确定了后，关键就是找到顶点了

规范形式顶点的数学描述

规范形式可行集 Ω:∑j=1naijxj≥bi,∀1≤i≤m\Omega: \sum_{j=1}^{n} a_{i j} x_{j} \geq b_{i}, \quad \forall 1 \leq i \leq mΩ:∑j=1naijxj≥bi,∀1≤i≤m
xj≥0,∀1≤j≤nx_{j} \geq 0, \forall 1 \leq j \leq n xj≥0,∀1≤j≤n
对任意的 X∈Ω,X \in \Omega,X∈Ω, 将所有的线性不等式进行如下划分
∑j=1naijxj=bi,i=k(1),⋯,k(m^),xj=0,j=k(m^+1),⋯,k(n^)∑j=1naijxj>bi,∀i∉{k(1),⋯,k(m^)},xj>0,∀j∉{k(m^+1),⋯,k(n^)}\begin{array}{l} \sum_{j=1}^{n} a_{i j} x_{j}=b_{i}, i=k(1), \cdots, k(\hat{m}), x_{j}=0, j=k(\hat{m}+1), \cdots, k(\hat{n}) \\ \sum_{j=1}^{n} a_{i j} x_{j}>b_{i}, \forall i \notin\{k(1), \cdots, k(\hat{m})\}, x_{j}>0, \forall j \notin\{k(\hat{m}+1), \cdots, k(\hat{n})\} \end{array} ∑j=1naijxj=bi,i=k(1),⋯,k(m^),xj=0,j=k(m^+1),⋯,k(n^)∑j=1naijxj>bi,∀i∈/{k(1),⋯,k(m^)},xj>0,∀j∈/{k(m^+1),⋯,k(n^)}
那么当且仅当等式方程组的解唯一时 XXX 是 Ω\OmegaΩ 的顶点

标准形式顶点的数学描述

Ω:∑j=1naijxj=bi,∀1≤i≤mxj≥0,∀1≤j≤n\begin{aligned} \Omega: & \sum_{j=1}^{n} a_{i j} x_{j}=b_{i}, \quad \forall 1 \leq i \leq m \\ & x_{j} \geq 0, \forall 1 \leq j \leq n \end{aligned} Ω:j=1∑naijxj=bi,∀1≤i≤mxj≥0,∀1≤j≤n

由于由等式方程约束条件产生的只能是等式，所以对任意的 X∈ΩX \in \OmegaX∈Ω 可进行如下划分（注意 n>m）n>m ）n>m）
∑j=1naijxj=bi,∀1≤i≤m,xj>0,j=k(1),⋯,k(m^)xj=0,j=k(m^+1),⋯,k(n)\sum_{j=1}^{n} a_{i j} x_{j}=b_{i}, \forall 1 \leq i \leq m, \begin{array}{c} x_{j}>0, j=k(1), \cdots, k(\hat{m}) \\ x_{j}=0, j=k(\hat{m}+1), \cdots, k(n) \end{array} j=1∑naijxj=bi,∀1≤i≤m,xj>0,j=k(1),⋯,k(m^)xj=0,j=k(m^+1),⋯,k(n)
当且仅当上面的等式方程组解唯一时 XXX 是 Ω\OmegaΩ 的顶点

总结：如果一个点X∈ΩX \in \OmegaX∈Ω，使得一些约束求作用（使得一些不等式的等号成立），若对于这些成立的约束构成的线性方程组来说，它的解不只是XXX，那么XXX不是Ω\OmegaΩ的顶点。

[外链图片转存失败,源站可能有防盗链机制,建议将图片保存下来直接上传(img-Yh711aPx-1607047943335)(最优化—线性规划.assets/image-20201204092908344.png)]

标准形式顶点的等价描述之一

∑j=1naijxj=bi,∀1≤i≤m⇒∑j=1n(a1j⋮amj)xj=(b1⋮bm)⇒∑j=1nPjxj=b⃗Pj=(a1j,⋯,amj)T,∀1≤j≤nxj>0,j=k(1),⋯,k(m^)∑j=1naijxj=bi,∀1≤i≤m,xj=0,j=k(m^+1),⋯,k(n)⇒xk(j)>0,∀1≤j≤m^,∑j=1mPk(j)xk(j)=b⃗\begin{array}{l} \sum_{j=1}^{n} a_{i j} x_{j}=b_{i}, \forall 1 \leq i \leq m \Rightarrow \sum_{j=1}^{n}\left(\begin{array}{c} a_{1 j} \\ \vdots \\ a_{m j} \end{array}\right) x_{j}=\left(\begin{array}{c} b_{1} \\ \vdots \\ b_{m} \end{array}\right) \\ \Rightarrow \sum_{j=1}^{n} P_{j} x_{j}=\vec{b} \quad P_{j}=\left(a_{1 j}, \cdots, a_{m j}\right)^{T}, \forall 1 \leq j \leq n \\ \qquad \begin{array}{c} x_{j}>0, \quad j=k(1), \cdots, k(\hat{m}) \\ \sum_{j=1}^{n} a_{i j} x_{j}=b_{i}, \forall 1 \leq i \leq m, x_{j}=0, \quad j=k(\hat{m}+1), \cdots, k(n) \\ \Rightarrow x_{k(j)}>0, \forall 1 \leq j \leq \hat{m}, \quad \sum_{j=1}^{m} P_{k(j)} x_{k(j)}=\vec{b} \end{array} \end{array} ∑j=1naijxj=bi,∀1≤i≤m⇒∑j=1n⎝⎜⎛a1j⋮amj⎠⎟⎞xj=⎝⎜⎛b1⋮bm⎠⎟⎞⇒∑j=1nPjxj=bPj=(a1j,⋯,amj)T,∀1≤j≤nxj>0,j=k(1),⋯,k(m^)∑j=1naijxj=bi,∀1≤i≤m,xj=0,j=k(m^+1),⋯,k(n)⇒xk(j)>0,∀1≤j≤m^,∑j=1mPk(j)xk(j)=b

当且仅当 X∈ΩX \in \OmegaX∈Ω 的正分量对应的系数向量线性无关

标准形式顶点的等价描述之二

如果 (P1,⋯,Pn)\left(P_{1}, \cdots, P_{n}\right)(P1,⋯,Pn) 是行满秩矩阵，那么 XXX 是可行集
Ω={X=(x1,⋯,xn)T∣∑j=1nPjxj=b⃗,xj≥0,∀1≤j≤n}\Omega=\left\{X=\left(x_{1}, \cdots, x_{n}\right)^{T} \mid \sum_{j=1}^{n} P_{j} x_{j}=\vec{b}, x_{j} \geq 0, \forall 1 \leq j \leq n\right\} Ω={X=(x1,⋯,xn)T∣j=1∑nPjxj=b,xj≥0,∀1≤j≤n}
的顶点充要条件是：存在可逆方阵 (Pk(1),⋯,Pk(m))\left(P_{k(1)}, \cdots, P_{k(m)}\right)(Pk(1),⋯,Pk(m)), 可以把 XXX 的分量划分为 xk(j),j=1,⋯,n,x_{k(j)}, j=1, \cdots, n,xk(j),j=1,⋯,n, 使满足
(xk(1)⋮xk(m))=(Pk(1),⋯,Pk(m))−1b⃗≥0,xk(j)=0,∀m+1≤j≤n\left(\begin{array}{c}x_{k(1)} \\ \vdots \\ x_{k(m)}\end{array}\right)=\left(P_{k(1)}, \cdots, P_{k(m)}\right)^{-1} \vec{b} \geq 0, \quad x_{k(j)}=0, \forall m+1 \leq j \leq n⎝⎜⎛xk(1)⋮xk(m)⎠⎟⎞=(Pk(1),⋯,Pk(m))−1b≥0,xk(j)=0,∀m+1≤j≤n
主要理由 :∑j=1mPk(j)xk(j)=b⃗⇒正分量对应的系数向量线性无关 \large : \sum_{j=1}^{m} P_{k(j)} x_{k(j)}=\vec{b} \Rightarrow \begin{array}{l}\text { 正分量对应的系 } \\ \text { 数向量线性无关 }\end{array}:∑j=1mPk(j)xk(j)=b⇒ 正分量对应的系数向量线性无关

线性规划标准形式的一些基本概念

基阵、基本解、基本可行解、基变量、非基变量
称可逆矩阵 (Pk(1),⋯,Pk(m))\left(P_{k(1)}, \cdots, P_{k(m)}\right)(Pk(1),⋯,Pk(m)) 为基阵
称其分量由下式决定的 XXX 为基本解
(xk(1)⋮xk(m))=(Pk(1),⋯,Pk(m))−1b⃗,xk(j)=0,∀m+1≤j≤n\left(\begin{array}{c} x_{k(1)} \\ \vdots \\ x_{k(m)} \end{array}\right)=\left(P_{k(1)}, \cdots, P_{k(m)}\right)^{-1} \vec{b}, x_{k(j)}=0, \forall m+1 \leq j \leq n ⎝⎜⎛xk(1)⋮xk(m)⎠⎟⎞=(Pk(1),⋯,Pk(m))−1b,xk(j)=0,∀m+1≤j≤n
称可行的基本解为基本可行解 称基阵对应变量为基变量，其余变量为非基变量
标准线性规划的基本可行解就是可行集的顶点
标准线性规划的可行集的顶点个数总是有限的

线性规划标准形式的基本定理

【定理1】一个标准形式线性规划问题若有可行解，则至少存在一个基本可行解
【定理2】一个标准形式线性规划问题若有有限的最优目标值，则一定存在一个基本可行解是最优解
【定理3】如果标准线性规划问题的某个基可行解的相邻的基可行解都不比它好，那么这个基可行解就是最优解

综上所述：对于线性规划，只用求得它的基本可行解，就能在有限的基本可行解中找到最优解。

线性规划——规范型，标准型，基阵、基本解、基本可行解、基变量、非基变量.... 概念梳理相关推荐

【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 ...
【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 ...
最优化——退化和某个非基变量检验数为零
文章目录退化和某个非基变量检验数为零退化问题退化问题的本质某个非基变量检验数为零退化和某个非基变量检验数为零退化问题基本可行解的基变量数值等于0. 退化问题的本质多个可行基阵对 ...
【运筹学】单纯形法总结 ( 单纯形法原理 | 单纯形法流程 | 单纯形表 | 计算检验数 | 最优解判定 | 入基变量 | 出基变量 | 方程组同解变换 ) ★★★
文章目录一.单纯形法原理二.单纯形法流程三.单纯形法案例一 1.线性规划示例 2.转化标准形式 3.查找初始基可行解 4.初始基可行解的最优解判定 5.第一次迭代 : 入基与出基变量选择 6.第 ...
最优化——线性规划总结1(线性规划标准型，规范型，顶点)
文章目录线性规划的形式标准型规范型线性规划的求解思路前提条件主要思路怎么搞一些概念线性规划标准形式的基本定理线性规划的形式标准型规范型线性规划的求解思路前提条件线性规划: ...
matlab求能观测标准型,标准型和规范型.doc
标准型和规范型篇一:(1)线性系统结构分析与分解及标准型实验三十七线性系统结构分析与分解及标准型实验类型:验证难度系数:0.3实验性质:必做课内学时:0 课外学时:2 分组人数:2 开课方式 ...
二次型的标准型、规范型
若二次型只有平方项,则称二次型为标准型如果标准型中,系数只有1,-1和0,那么称为二次型的规范型,因为标准型中,1,-1,0的个数是由正负惯性指数决定的,而合同的矩阵正负惯性指数相同,因此相互合同的 ...
二次型，标准型，规范型
[配方法化二次型操作步骤-哔哩哔哩] https://b23.tv/QbuShlD 一般型经坐标变换到标准型,标准型经坐标变换到规范型

线性规划——规范型，标准型，基阵、基本解、基本可行解、基变量、非基变量.... 概念梳理