【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 )

原创

韩曙亮_ 2022-03-09 09:37:48 博主文章分类：运筹学 ©著作权

文章标签 运筹学线性规划基向量基变量阶梯型矩真 文章分类 代码人生

©著作权归作者所有：来自51CTO博客作者韩曙亮_的原创作品，请联系作者获取转载授权，否则将追究法律责任

文章目录

一、知识点回顾
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 : x 1 , x 2 , ⋯ x_1 , x_2 , \cdots x1,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

m a x ( m i n ) z = ∑ j = 1 n c j x j { ∑ j = 1 n a i j x j = b i ( i = 1 , 2 ⋯ m ) x j ≥ 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 x j = x j ′ − x j ′ ′ x_j = x_j' - x_j'' xj=xj′−xj′′ , 使用两个变量代替 1 1 1 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 :

m a x Z = ∑ j = 1 n c j x j s . t { ∑ j = 1 n a i j x j ≤ ( = ⋅ ≥ ) b i i = 1 , 2 , ⋯ , m x j ≥ 0 j = 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 :

m a x Z = ∑ j = 1 n c j x j s . t { ∑ j = 1 n a i j x j = b i i = 1 , 2 , ⋯ , m x j ≥ 0 j = 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 A X = B AX = B AX=B , 其中

A A A 是 m × n m \times n m×n 的矩阵
X X X 是 n × 1 n \times 1 n×1 维向量
B B B 是 m × 1 m \times 1 m×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 A A A 和 B B B 做成一个矩阵 ( A B ) \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 ;

{ x 1 + x 2 + x 3 = 8 x 2 − x 3 = 2 \begin{cases} x_1 + x_2 + x_3 = 8 \\ \\ x_2 - x_3 = 2 \end{cases} ⎩⎪⎨⎪⎧x1+x2+x3=8x2−x3=2

( A B ) \bigl( A B \bigr) (AB) 矩阵为 [ 1 1 1 8 0 1 − 1 2 ] \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 ;

【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 )_运筹学

前两列的矩阵 [ 1 1 0 1 ] \begin{bmatrix} &1 & 1 & \\\\ &0 & 1 & \end{bmatrix} ⎣⎡1011⎦⎤ 就是特殊矩阵 , 分别是 x 1 x_1 x1 和 x 2 x_2 x2 对应的矩阵 ;

【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 )_阶梯型矩真_02

x 3 x_3 x3 是特殊的变量 , 其可以任意取值的 , 当 x 3 x_3 x3 取任意值时 , 通过阶梯型矩阵 , 可以计算出 x 1 x_1 x1 和 x 2 x_2 x2 的值 ;

假设 x 3 x_3 x3 取值为 k k k , 那么 :

x 2 = k + 2 x_2 = k + 2 x2=k+2
x 1 = 6 − 2 k x_1 = 6 - 2k x1=6−2k

四、阶梯型矩阵向量

{ x 1 + x 2 + x 3 = 8 x 2 − x 3 = 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 :

x 1 x_1 x1 对应的矩阵列向量 [ 1 0 ] \begin{bmatrix} &1 & \\\\ &0 & \end{bmatrix} ⎣⎡10⎦⎤ 称为 P 1 P_1 P1 ,
x 2 x_2 x2 对应的矩阵列向量 [ 1 1 ] \begin{bmatrix} &1 & \\\\ &1 & \end{bmatrix} ⎣⎡11⎦⎤ 称为 P 2 P_2 P2 ,
x 3 x_3 x3 对应的矩阵列向量 [ 1 − 1 ] \begin{bmatrix} &1 & \\\\ &-1 & \end{bmatrix} ⎣⎡1−1⎦⎤ 称为 P 3 P_3 P3 ,

写成向量形式 ( P 1 P 2 P 3 b ) \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 P 1 P_1 P1 和 P 2 P_2 P2 是特殊的 ;

( P 1 P 2 ) \bigl( \ P_1 \ P_2 \ \bigr) ( P1 P2 ) 两个列向量构成了 2 × 2 2 \times 2 2×2 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 P 1 x 1 + P 2 x 2 + P 3 x 3 = b P_1x_1 + P_2 x_2 + P_3x_3 = b P1x1+P2x2+P3x3=b 形式 ;

有如下计算推导过程 :

A X = B AX = B AX=B

P 1 x 1 + P 2 x 2 + P 3 x 3 = b P_1x_1 + P_2 x_2 + P_3x_3 = b P1x1+P2x2+P3x3=b

( P 1 P 2 ) ( x 1 x 2 ) + P 3 x 3 = 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 ( P 1 P 2 ) \bigl( \ P_1 \ P_2 \ \bigr) ( P1 P2 ) 当做一个矩阵 B B B , 将 ( x 1 x 2 ) \begin{pmatrix} x_1 \\ x_2 \end{pmatrix} (x1x2) 当做一个矩阵 X B X_B XB ;

将整个系数矩阵除了 B B B 之外剩下的矩阵称为 N N N , 对应的变量矩阵称为 X N X_N XN ;

B X B + N X N = b BX_B + NX_N = b BXB+NXN=b

在上述矩阵的表达式中 , 方程组 { x 1 + x 2 + x 3 = 8 x 2 − x 3 = 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 B B B 是特殊的矩阵 ;

B B B 矩阵与 A A A 矩阵的关系 :

A A A 矩阵是 m × n m \times n m×n 维的矩阵 , m m m 行 , n n n 列 , 有 n n n 个变量 , m m m 个等式 ;
A A A 的秩为 m m m , 且 n ≥ m n \geq m n≥m ;
矩阵 B B B 就是 m × m m \times m m×m 的方阵 ;

线性规划前提 :

这里说明一下 , 如果 n ≤ m n \leq m n≤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 m m m 少于变量个数 n n n , 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 m m m ;

五、基、基向量、基变量、非基变量

A A A 矩阵是 m × n m \times n m×n 维的矩阵 , m m m 行 , n n n 列 , 线性规划中 , 有 n n n 个变量 , m m m 个等式 ;

矩阵 A A A 的秩是 m m m , 即等式个数 ;

矩阵 A A A 中肯定能找到一个可逆的方阵 , 矩阵 B B B ;

矩阵 B B B 是矩阵 A A A 中的满秩子矩阵 , 则称该 矩阵 B B B 是线性规划问题的一个基 ;

P 1 x 1 + P 2 x 2 + P 3 x 3 = b P_1x_1 + P_2 x_2 + P_3x_3 = b P1x1+P2x2+P3x3=b

上述示例中的 ( P 1 P 2 ) \bigl( \ P_1 \ P_2 \ \bigr) ( P1 P2 ) 就是线性规划中的基 ;

( P 1 P 2 ) \bigl( \ P_1 \ P_2 \ \bigr) ( P1 P2 ) , ( P 1 P 3 ) \bigl( \ P_1 \ P_3 \ \bigr) ( P1 P3 ) , ( P 2 P 3 ) \bigl( \ P_2 \ P_3 \ \bigr) ( P2 P3 ) 都是线性规划的基 ;