文档介绍：欢迎光临机械论坛(南京理工大学)
第一章线性规划
§1 线性规划
在人们的生产实践中,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(Linear
Programming 简记 LP)则是数学规划的一个重要分支。自从 1947 年 G. B. Dantzig 提出
求解线性规划的单纯形方法以来,线性规划在理论上趋向成熟,在实用中日益广泛与深
入。特别是在计算机能处理成千上万个约束条件和决策变量的线性规划问题之后,线性
规划的适用领域更为广泛了,已成为现代管理中经常采用的基本方法之一。
线性规划的实例与定义
例 1 某机床厂生产甲、乙两种机床,每台销售后的利润分别为4000 元与 3000 元。
生产甲机床需用 A、B 机器加工,加工时间分别为每台 2 小时和 1 小时;生产乙机床
需用 A、B、C 三种机器加工,加工时间为每台各一小时。若每天可用于加工的机器时
数分别为 A 机器 10 小时、B 机器 8 小时和C 机器 7 小时,问该厂应生产甲、乙机床各
几台,才能使总利润最大?
上述问题的数学模型:设该厂生产 x1 台甲机床和 x2 乙机床时总利润最大,则
x1, x2 应满足
(目标函数) max z = 4x1 + 3x2 (1)
⎧2x1 + x2 ≤10
⎪
⎪x1 + x2 ≤ 8
.(约束条件) ⎨(2)
⎪x2 ≤ 7
⎪
⎩x1, x2 ≥ 0
这里变量 x1, x2 称之为决策变量,(1)式被称为问题的目标函数,(2)中的几个不等式
是问题的约束条件,记为 .(即 subject to)。上述即为一规划问题数学模型的三个要素。
由于上面的目标函数及约束条件均为线性函数,故被称为线性规划问题。
总之,线性规划问题是在一组线性约束条件的限制下,求一线性目标函数最大或最
小的问题。
在解决实际问题时,把问题归结成一个线性规划数学模型是很重要的一步,但往往
也是困难的一步,模型建立得是否恰当,直接影响到求解。而选取适当的决策变量,是
我们建立有效模型的关键之一。
线性规划的 Matlab 标准形式
线性规划的目标函数可以是求最大值,也可以是求最小值,约束条件的不等号可以
是小于号也可以是大于号。为了避免这种形式多样性带来的不便, Matlab 中规定线性
规划的标准形式为
min cT x such that Ax ≤ b
x
其中 c 和 x 为 n 维列向量, b 为 m 维列向量, A 为 m × n 矩阵。
例如线性规划
max cT x such that Ax ≥ b
x
-1-
的 Matlab 标准型为
min − cT x such that − Ax ≤−b
x
线性规划问题的解的概念
一般线性规划问题的标准型为
n
min z = ∑c j x j (3)
j =1
n
. ∑aij x j ≤ bi i = 1,2,L, m (4)
j =1
可行解满足约束条件(4)的解 x = (x1, x2 ,L, xn ) ,称为线性规划问题的可行解,
而使目标函数(3)达到最小值的可行解叫最优解。
可行域所有可行解构成的集合称为问题的可行域,记为R 。
线性规划的图解法
1 0
9 2 x 1 + x 2 = 1 0
8
7 x 2 = 7
6 ( 2 ,6 )
5
4
3
2 x 1 + x 2 = 8
1
z = 1 2
0
0 2 4 6 8 1 0
图解法简单直观,有助于了解线性规划问题求解的基本原理。我们先应用图解法来
求解例 1。如上图所示,阴影区域即为 LP 问题的可行域 R。对于每一固定的值 z ,使
目标函数值等于 z 的点构成的直线称为目标函数等位线,当z 变动时,我们得到一族平
行直线。让等位线沿目标函数值减小的方向移动,直到等位线与可行域有交点的最后位
置,此时的交点(一个或多个)即为 LP 的最优解。
对于例 1,显然等位线越趋于右上方,其上的点具有越大的目标函数值。不难看出,
本例的最优解为 x* = (2,6)T ,最优目标值 z* = 26 。
从上面的图解过程可以看出并不难证明以下断言:
(1)可行域R 可能会出现多种情况。R 可能是空集也可能是非空集合,当R 非空
时,它必定是若干个半平面的交集(除非遇到空间维数的退化)。R 既可能是有界区域,