线性规划问题(LP问题)
线性规划问题(LP问题)
- 线性规划问题
- 基本特征(什么是LP问题)
- 几何意义(物理意义理解)
- 两种特殊形式(LP问题中被研究较透彻的两个方向)
- 标准形式的LP问题
- 一般LP问题如何转化为标准LP问题
- 不等式形式的LP问题
- 例子
- 多面体的Chebyshev中心
- 分片线性最小化
- 线性分式规划
- 广义线性分式规划
线性规划问题
基本特征(什么是LP问题)
minimizecTx+dsubject to Gx⪯hAx=b\begin{array}{ll} \operatorname{minimize} & c^{T} x+d \\ \text { subject to } & G x \preceq h \\ & A x=b \end{array}minimize subject to cTx+dGx⪯hAx=b
一言以蔽之,目标函数和约束条件都是仿射函数。
几何意义(物理意义理解)
在多面体上,沿−c-c−c为法线方向,找到多面体P\mathcal{P}P的支撑超平面。
两种特殊形式(LP问题中被研究较透彻的两个方向)
标准形式的LP问题
不等式约束只有非负约束
minimizecTxsubject to Ax=bx⪰0\begin{array}{ll} \operatorname{minimize} & c^{T} x \\ \text { subject to } & A x=b \\ & x \succeq 0 \end{array}minimize subject to cTxAx=bx⪰0
一般LP问题如何转化为标准LP问题
第一步:引入松弛变量sss,变不等式约束为等式约束
minimizecTx+dsubject to Gx+s=hAx=bs⪰0\begin{array}{ll} \operatorname{minimize} & c^{T} x+d \\ \text { subject to } & G x+s=h \\ & A x=b \\ & s \succeq 0 \end{array}minimize subject to cTx+dGx+s=hAx=bs⪰0
然而标准形式中的不等式约束是对优化变量来说的,如果到此为止,则只是对松弛变量。所以
第二步:用两个有非负约束的优化变量x=x+−x−x=x^{+}-x^{-}x=x+−x−替代原优化变量xxx,则原优化问题变为:
minimizecTx+−cTx−+dsubject to Gx+−Gx−+s=hAx+−Ax−=bx+⪰0,x−⪰0,s⪰0\begin{array}{ll} \operatorname{minimize} & c^{T} x^{+}-c^{T} x^{-}+d \\ \text { subject to } & G x^{+}-G x^{-}+s=h \\ & A x^{+}-A x^{-}=b \\ & x^{+} \succeq 0, \quad x^{-} \succeq 0, \quad s \succeq 0 \end{array}minimize subject to cTx+−cTx−+dGx+−Gx−+s=hAx+−Ax−=bx+⪰0,x−⪰0,s⪰0
最后写成标准形式:
min[cT−cT0T][x+xs]s.t. [x+x−s]⪰0,[G−GI][x+x−s]=h\begin{aligned} &\min \quad\left[\begin{array}{lll} \mathbf{c}^{T} & -\mathbf{c}^{T} & 0^{T} \end{array}\right]\left[\begin{array}{c} \mathbf{x}_{+} \\ \mathbf{x}_{\mathbf{s}} \end{array}\right]\\ &\text { s.t. }\left[\begin{array}{c} \mathrm{x}_{+} \\ \mathrm{x}_{-} \\ \mathrm{s} \end{array}\right] \succeq 0, \quad\left[\begin{array}{lll} \mathrm{G} & -\mathrm{G} & \mathbf{I} \end{array}\right]\left[\begin{array}{c} \mathrm{x}_{+} \\ \mathrm{x}_{-} \\ \mathrm{s} \end{array}\right]=\mathrm{h} \end{aligned}min[cT−cT0T][x+xs] s.t. ⎣⎡x+x−s⎦⎤⪰0,[G−GI]⎣⎡x+x−s⎦⎤=h
不等式形式的LP问题
即没有等式约束
minimizecTxsubject to Ax⪯b\begin{array}{ll} \operatorname{minimize} & c^{T} x \\ \text { subject to } & A x \preceq b \end{array}minimize subject to cTxAx⪯b
例子
多面体的Chebyshev中心
在多面体中寻找最大的欧式球,多面体表述:
P={x∈Rn∣aiTx≤bi,i=1,…,m}\mathcal{P}=\left\{x \in \mathbf{R}^{n} \mid a_{i}^{T} x \leq b_{i}, i=1, \ldots, m\right\}P={x∈Rn∣aiTx≤bi,i=1,…,m}
欧式球表述:
B={xc+u∣∥u∥2≤r}\mathcal{B}=\left\{x_{c}+u \mid\|u\|_{2} \leq r\right\}B={xc+u∣∥u∥2≤r}
其中xcx_{c}xc为球心,则欧式球在多面体中表述为:
aiT(xc+u)≤bia_{i}^{T}\left(x_{c}+u\right) \leq b_{i}aiT(xc+u)≤bi
其中左式可以继续展开得到欧式球中满足不等式约束的上限:
aiT(xc+u)=aiTxc+aiTu≤aiTxc+∣∣ai∣∣2∣∣u∣∣2≤aiTxc+∣∣ai∣∣2r\begin{aligned} a_{i}^{T}\left(x_{c}+u\right)&=a_{i}^{T}x_{c}+a_{i}^{T}u \\ &\leq a_{i}^{T}x_{c}+||a_{i}||_{2}||u||_{2} \\ &\leq a_{i}^{T}x_{c}+||a_{i}||_{2}r \end{aligned}aiT(xc+u)=aiTxc+aiTu≤aiTxc+∣∣ai∣∣2∣∣u∣∣2≤aiTxc+∣∣ai∣∣2r
所以优化问题为:
maximize rsubject to aiTxc+r∥ai∥2≤bi,i=1,…,m\begin{aligned} &\text { maximize } r\\ &\text { subject to } \quad a_{i}^{T} x_{c}+r\left\|a_{i}\right\|_{2} \leq b_{i}, \quad i=1, \ldots, m \end{aligned} maximize r subject to aiTxc+r∥ai∥2≤bi,i=1,…,m
分片线性最小化
对于无约束分片线性凸函数问题:
f(x)=maxi=1,…,m(aiTx+bi)f(x)=\max _{i=1, \ldots, m}\left(a_{i}^{T} x+b_{i}\right)f(x)=i=1,…,mmax(aiTx+bi)
可以转化为LP问题。
首先改写为上境图形式:
minimize tsubject to maxi=1,…,m(aiTx+bi)≤t\begin{aligned} &\text { minimize } t\\ &\text { subject to } \max _{i=1, \ldots, m}\left(a_{i}^{T} x+b_{i}\right) \leq t \end{aligned} minimize t subject to i=1,…,mmax(aiTx+bi)≤t
再将约束条件拆开为多个不等式约束
minimize tsubject to (aiTx+bi)≤t\begin{aligned} &\text { minimize } t\\ &\text { subject to } \left(a_{i}^{T} x+b_{i}\right) \leq t \end{aligned} minimize t subject to (aiTx+bi)≤t
线性分式规划
minimizef0(x)=cTx+deTx+fsubject to Gx⪯hAx=b\begin{array}{ll} \operatorname{minimize} & f_{0}(x)=\frac{c^{T} x+d}{e^{T} x+f} \\ \text { subject to } & G x \preceq h \\ & A x=b \end{array}minimize subject to f0(x)=eTx+fcTx+dGx⪯hAx=b
定义域为:domf0={x∣eTx+f>0}\operatorname{dom} f_{0}=\left\{x \mid e^{T} x+f>0\right\}domf0={x∣eTx+f>0}
该问题为拟线性问题,可以转化为LP问题:
minimizecTy+dzsubject to Gy−hz⪯0Ay−bz=0eTy+fz=1z≥0\begin{array}{ll} \operatorname{minimize} & c^{T} y+d z \\ \text { subject to } & G y-h z \preceq 0 \\ & A y-b z=0 \\ & e^{T} y+f z=1 \\ & z \geq 0 \end{array}minimize subject to cTy+dzGy−hz⪯0Ay−bz=0eTy+fz=1z≥0
优化变量为yyy和zzz。
当原问题有最优解xxx,LP问题最优解为:
y=xeTx+f,z=1eTx+fy=\frac{x}{e^{T} x+f}, \quad z=\frac{1}{e^{T} x+f}y=eTx+fx,z=eTx+f1
当LP最优解为(y,z)\left(y,z \right)(y,z),则有两种情况:
1.如果z≠0z\neq0z=0,x=yzx=\frac{y}{z}x=zy
2.如果z=0z=0z=0,且有一个最优点x0x_{0}x0,则最优解可表示为for all t>0,x=x0+ty\text{for all }t>0,x=x_{0}+tyfor all t>0,x=x0+ty,此时LP问题的解是线性分式规划最优解的上确界。
广义线性分式规划
f0(x)=maxi=1,…,rciTx+dieiTx+fi,domf0={x∣eiTx+fi>0,i=1,…,r}f_{0}(x)=\max _{i=1, \ldots, r} \frac{c_{i}^{T} x+d_{i}}{e_{i}^{T} x+f_{i}}, \quad \operatorname{dom} f_{0}=\left\{x \mid e_{i}^{T} x+f_{i}>0, i=1, \ldots, r\right\}f0(x)=i=1,…,rmaxeiTx+ficiTx+di,domf0={x∣eiTx+fi>0,i=1,…,r}
线性规划问题(LP问题)相关推荐
- 【Python】用 Python 的 scipy 包实现线性规划(LP)
文章目录 一.线性规划(linear programming,LP) 二.用 python 实现线性规划 1. 方法:使用 scipy 包中的 optimize.linprog 2. 实例 参考链接 ...
- 最优化作业讲解01:标准化线性规划(LP)
1.1.错误点:求得了目标函数最优解,但是没有将结果返回去最大值 2.4.错误点:x2变量的处理上,x2不是任意变量不可以按照任意变量来进行变换 x6 = x2 + 5,且x6>=0 2.9. ...
- 优化问题-LP,QP和QCQP(线性规划,Linear Programming; 二次规划,Quadratic Programming;二次约束二次规划)
文章目录 线性规划(LP) LP的一些例子: Chebyshev中心 ℓ∞\ell_{\infty}ℓ∞-norm 近似问题: ℓ1\ell_{1}ℓ1-norm 近似问题: 二次规划(QP) Q ...
- 数据科学家线性规划入门指南
前言 生活之道在于优化.每个人拥有的资源和时间都是有限的,我们都想充分利用它们.从有效地利用个人时间到解决公司的供应链问题--处处都有用到优化. 优化还是一个有趣的课题--它解决的问题初看十分简单,但 ...
- 基于MATLAB的线性规划:linprog用法
线性规划 意义 linprog函数 示例 意义 生产实践中,人们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(LP)则是数 ...
- 运筹学第一章:线性规划 【复习自用】
标题~ 对于以后期末复习 线性规划 写在前面:名词解释及关系 线性规划(LP)问题 可行解 最优解 基本解 可行基/基本可行解 定理:基本解与基本可行解 最优基/最优基本可行解 最优性判别定理 退化/ ...
- MindOpt对于混合整数线性规划问题如何建模优化(python语言)
简介 MindOpt是一款高效的优化算法软件包,求解算法实现了线性规划(LP).混合整数线性规划(MILP).二次规划(QP),可以支持命令行.c.c++.java和python调用.接下来我们将发布 ...
- 数学建模算法之优化模型【线性规划问题、非线性规划问题、整数规划问题、二次规划问题】
1. 线性规划问题(LP) 线性规划问题是要最小化或最大化一个受限于一组有限的线性约束的线性函数. Matlab 中规定线性规划的标准形式为 第一个式子为目标函数,s.t. 式是约束条件.其中 c 和 ...
- 初识压缩感知 compressive sensing
压缩感知是近年来极为热门的研究前沿,在若干应用领域中都引起瞩目.最近粗浅地看了这方面一些研究,对于Compressive Sensing有了初步理解,在此分享一些资料与精华.本文针对陶哲轩和Emman ...
- 凸集 凸函数 凸优化
目录 写在前面 精简版概念理解 凸集 凸集的性质 凸函数 凸函数性质 凸优化 为什么要求是凸集呢? 为什么要求是凸函数呢? 判断是否为凸函数的简单办法 为什么区分凸优化和非凸优化 非凸优化问题如何转为 ...
最新文章
- Site Group Level Price Maintenance in IS Retail
- Facebook 重金挖不到,ASP.NET 之父,微软大神“红衣教主”传奇
- Javascript中for循环
- 由 HashMap 引发的一个面试10连炮争吵!
- Python基础教程:列表、字典、集合推导式
- 下面哪项属于计算机在教育教学中的应用,东师现代教育技术18秋在线作业2答案...
- java label 加图片吗_UILabel里面加图片
- 设置php中字符编码_php如何设置字符编码
- Aspose.Words转换为PDF的时候字体丢失的问题解决
- 区分错误类型_形象解释 Python 新手最容易犯的错误
- 三星玄龙骑士与你一同欢度JDG俱乐部四周年,让游戏体验升级
- Android 进阶自定义View(5)图表统计PieChartView圆饼图的实现
- c++采集声卡输出_基于C++Builder的声卡数据实时采集的实现
- php 远程下载木马
- java todo fixme_Java中注释TODO和FIXME的作用
- 如何在html中播放.flv格式的视频【vue和普通html皆可用】
- uniapp 在线升级(热更新)及java后台
- (lintcode)第4题 丑数II
- APP地推前要准备些什么?
- 渐进式量产进阶!卡车自动驾驶进入商业化新周期
热门文章
- 修改COCO评价指标 maxDets=[10,15,20]
- 宜家订单JSON_在宜家网上商城购物是一种什么体验?
- 【计算机架构】计算 CPU 动态功耗 | 集成电路成本 | SPEC 基准测试 | Amdahl 定律 | MIPS 性能指标
- navigationBar 标题字体颜色设置
- iOS9有哪些新特性
- Latex 调整行距
- 项目管理-8-径回东土 五圣成真(大结局)
- [USACO12FEB]牛券Cow Coupons
- 肾虚的信号你明白嘛?
- python运行excel宏_从python运行excel宏