大学最优化课件
合集下载
数值最优化(共轭梯度)ppt课件

x(k)是函数在{x(0) +1p1+2p2+···+kpk,1,2···,k∈R}中的
极小点.
最终x(n)= u1 p1+u2 p2+···+un pn =x* 即迭代过程同样在n步之后找到最优点.
因此,对二次函数
f ( x) 1 xTGx bT x c 2
我们可以找到n个方向(向量),对其依次进行一维搜索,最
8
共轭方向法的思路
|| (s1 1 u1) p1 (s2 u2 ) p2 L (sn un ) pn ||G2
(s1 1 u1) p1 (s2 u2 ) p2 L (sn un ) pn ,
( s1
1
u1 )
p1
( s2
n
u2
)
p2
L
(sn un ) pn
(s1 1 u1)2 || p1 ||G2 (si ui )2 || pi ||G2
即p1,p2,···,pn线性无关,且 pi , pj 0(i j)
设问题的最优解x*= -G-1b在这组基底下的表示为x*= u1 p1+u2 p2+···+un pn
任取初始点x(0) =s1 p1+s2 p2+···+sn pn, 在方向p1上进行 一维搜索,即求解问题
min || (s1 1 u1) p1 (s2 u2 ) p2 L (sn un ) pn ||G2
z
x(1) O
x(3) =x* x(2) y
x(0)
x
5
共轭方向法的思路
上面的方法对一般的二次函数是否适用呢?
考虑问题
其中
G
1 2
极小点.
最终x(n)= u1 p1+u2 p2+···+un pn =x* 即迭代过程同样在n步之后找到最优点.
因此,对二次函数
f ( x) 1 xTGx bT x c 2
我们可以找到n个方向(向量),对其依次进行一维搜索,最
8
共轭方向法的思路
|| (s1 1 u1) p1 (s2 u2 ) p2 L (sn un ) pn ||G2
(s1 1 u1) p1 (s2 u2 ) p2 L (sn un ) pn ,
( s1
1
u1 )
p1
( s2
n
u2
)
p2
L
(sn un ) pn
(s1 1 u1)2 || p1 ||G2 (si ui )2 || pi ||G2
即p1,p2,···,pn线性无关,且 pi , pj 0(i j)
设问题的最优解x*= -G-1b在这组基底下的表示为x*= u1 p1+u2 p2+···+un pn
任取初始点x(0) =s1 p1+s2 p2+···+sn pn, 在方向p1上进行 一维搜索,即求解问题
min || (s1 1 u1) p1 (s2 u2 ) p2 L (sn un ) pn ||G2
z
x(1) O
x(3) =x* x(2) y
x(0)
x
5
共轭方向法的思路
上面的方法对一般的二次函数是否适用呢?
考虑问题
其中
G
1 2
最优化理论与算法完整版课件 PPT

Bazaraa, J. J. Jarvis, John Wiley & Sons, Inc.,
1977.
组合最优化算法和复杂性
Combinatorial
Optimization 蔡茂诚、刘振宏
Algorithms and Complexity
清华大学出版社,1988 I运nc筹.,学19基82础/1手99册8
最优化首先是一种理念, 运筹学的“三个代表”
其次才是一种方法.
• 模型
• 理论
2021/4/9
• 算法
5
绪论---运筹学(Operations Research -
运筹学O方R)法
最优化/数学规划方法
连续优化:线性规划、 非线性规划、非光滑优 化、全局优化、变分法、 二次规划、分式规划等
离散优化:组合优化、 网络优化、整数规划等
2021/4/9
11
1. 食谱问题
我每天要求一定量的两种维生素,Vc和Vb。 假设这些维生素可以分别从牛奶和鸡蛋中得到。
维生素
Vc(mg) Vb(mg) 单价(US$)
奶中含量
2 3 3
蛋中含量
4 2 2.5
每日需求 40 50
需要确定每天喝奶和吃蛋的量, 目标以便以最低可能的花费购买这些食物, 而满足最低限度的维生素需求量。
最优化理论与算法
2021/4/9
1
提纲
使用教材:
最优化理论与算法 陈宝林
参考书 :
数学规划 黄红选, 韩继业 清华大学出版社
1. 线性规划 对偶定理
2. 非线性规划 K-K-T 定理
3. 组合最优化 算法设计技巧
2021/4/9
2
其他参考书目
最优化理论与算法完整版课件陈宝林PPT

j1
m
s.t xij bj
i1
xij 0
i 1, 2,L , m
最优化首先是一种理念, 运筹学的“三个代表”
其次才是一种方法.
• 模型
• 理论
2020/4/8
• 算法
5
绪论---运筹学(Operations Research -
运筹学O方R)法
最优化/数学规划方法
连续优化:线性规划、 非线性规划、非光滑优 化、全局优化、变分法、 二次规划、分式规划等
离散优化:组合优化、 网络优化、整数规划等
2020/4/8
12
1. 食谱问题(续)
令x表示要买的奶的量,y为要买的蛋的量。食谱问题可以写
成如下的数学形式:
Min 3x +2.5y
极小化目标函数
s.t. 40
50
2x + 4y 3x + 2y
可行区域(单纯形) 可行解
运筹学工作x,者y参与0建.立关于何时出现最小费用 (或者最大利润)的排序,或者计划,早期被标示为programs。 求最优安排或计划的问题,称作programming问题。
2020/4/8
11
1. 食谱问题
我每天要求一定量的两种维生素,Vc和Vb。 假设这些维生素可以分别从牛奶和鸡蛋中得到。
维生素
Vc(mg) Vb(mg) 单价(US$)
奶中含量
2 3 3
蛋中含量
4 2 2.5
每日需求 40 50
需要确定每天喝奶和吃蛋的量, 目标以便以最低可能的花费买这些食物, 而满足最低限度的维生素需求量。
Printice-Hall
徐光辉、刘彦佩、程侃
科学出版社,1999
最优化课件

a11 x1 a12 x2 a1n xn (, )b1 •满足约束条件 s.t. a21x1a2 2 x 2 a2n xn (,)b2
am1 x1 am2 x2 amn xn (, )bm x1 , x2 ,, xn 0
•通常称 x1, x2 ,为,决xn策变量, c1为,c2价,值,系cn数, x11, x12 ,, xm为n 消耗系数, b1 , b2 ,为, b资m 源限制系数。
定义 x1,x2分别为每公斤产品中甲,乙两种原料的数量,
目标:使总成本最小化 min z=3x1+2x2
约束:配料平衡条件,
x1+x2=1
产品中A、B、C三种化学成分的最低含量
非负性条件
12x1+3x2≥4 2x1+3x2≥2 3x1+15x2≥5 x1≥0, x2≥0
原料 化学成分
A B C 单位成本(元)
其它参考书: (5)卢名高、刘庆吉编著,《最优化应用技术》,石油工业出版社,2002 (6)唐焕文,秦学志,《实用最优化方法》,大连理工大学出版社,2004 (7)钱颂迪,《运筹学》,清华大学出版社,1990 (8)袁亚湘、孙文瑜著,《最优化理论与方法》,科学出版社,2005
9
第一讲 线性规划的基本概念
➢满足一组约束条件 数取得最小值。
的同时,寻求变量x1和x2的值使目标函
例3:某铁器加工厂要制作100套钢架,每套要用长为2.9米,2.1米 和1.5米的圆钢各一根。已知原料长为7.4米,问应如何下料,可使材 料最省? ➢ 分析:在长度确定的原料上截取三种不同规格的圆钢,可以归纳 出8种不同的下料方案:
-x1+2x2≤8 x1 ≥0, x2≥0
x2
6
am1 x1 am2 x2 amn xn (, )bm x1 , x2 ,, xn 0
•通常称 x1, x2 ,为,决xn策变量, c1为,c2价,值,系cn数, x11, x12 ,, xm为n 消耗系数, b1 , b2 ,为, b资m 源限制系数。
定义 x1,x2分别为每公斤产品中甲,乙两种原料的数量,
目标:使总成本最小化 min z=3x1+2x2
约束:配料平衡条件,
x1+x2=1
产品中A、B、C三种化学成分的最低含量
非负性条件
12x1+3x2≥4 2x1+3x2≥2 3x1+15x2≥5 x1≥0, x2≥0
原料 化学成分
A B C 单位成本(元)
其它参考书: (5)卢名高、刘庆吉编著,《最优化应用技术》,石油工业出版社,2002 (6)唐焕文,秦学志,《实用最优化方法》,大连理工大学出版社,2004 (7)钱颂迪,《运筹学》,清华大学出版社,1990 (8)袁亚湘、孙文瑜著,《最优化理论与方法》,科学出版社,2005
9
第一讲 线性规划的基本概念
➢满足一组约束条件 数取得最小值。
的同时,寻求变量x1和x2的值使目标函
例3:某铁器加工厂要制作100套钢架,每套要用长为2.9米,2.1米 和1.5米的圆钢各一根。已知原料长为7.4米,问应如何下料,可使材 料最省? ➢ 分析:在长度确定的原料上截取三种不同规格的圆钢,可以归纳 出8种不同的下料方案:
-x1+2x2≤8 x1 ≥0, x2≥0
x2
6
最优化方法全部PPT课件

最优化方法
(最优化课件研制组)
编辑课件
1
最优化方法
为了使系统达到最优的目标所提出的各种求解方法
称为最优化方法。最优化方法是在第二次世界大战前后,
在军事领域中对导弹、雷达控制的研究中逐渐发展起来
的。
最优化方法解决问题一般步骤:
(1)提出需要进行最优化的问题,开始收集有关资 料和数据;
(2)建立求解最优化问题的有关数学模型,确定变
向量内积的性质:
ⅰ) ,,(对称性);
ⅱ) , , , k,k,(线性性);
ⅲ) , 0 ,当且仅当 0 时,, 0(正定性);
编辑课件
13
向量的长 ,
单位向量 1
向量的夹角
,
,
arccos
,
0 ,
向量的正交 , ,0(正交性)
2
1.可微
定义1.7 设 f:D R n R 1,x0 D .如果存在 n
sx 0
sx 0
x* x*
f f x*
编辑课件
9
1.4 二维问题图解法
二维极值问题有时可以用图解的方式进行求解,有 明显的几何解释。
例 求解 m infx ,y x 2 2 y 1 2
编辑课件
10
图解法的步骤:
①令 fx,yx22y 1 2c,显然 c 0 ;
②取 c0,1,4,9, 并画出相应的曲线(称之为等值线).
解法:Lagrange乘子法
1.2 实例
数据拟合问题 原料切割问题 运输问题 营养配餐问题 分配问题
1.3 基本概念
1. 最优化问题的向量表示法
设 xx1,x2, ,xnT 则
m i n fx 1 ,x 2 , ,x n 编辑课m 件 i n fx (1)
(最优化课件研制组)
编辑课件
1
最优化方法
为了使系统达到最优的目标所提出的各种求解方法
称为最优化方法。最优化方法是在第二次世界大战前后,
在军事领域中对导弹、雷达控制的研究中逐渐发展起来
的。
最优化方法解决问题一般步骤:
(1)提出需要进行最优化的问题,开始收集有关资 料和数据;
(2)建立求解最优化问题的有关数学模型,确定变
向量内积的性质:
ⅰ) ,,(对称性);
ⅱ) , , , k,k,(线性性);
ⅲ) , 0 ,当且仅当 0 时,, 0(正定性);
编辑课件
13
向量的长 ,
单位向量 1
向量的夹角
,
,
arccos
,
0 ,
向量的正交 , ,0(正交性)
2
1.可微
定义1.7 设 f:D R n R 1,x0 D .如果存在 n
sx 0
sx 0
x* x*
f f x*
编辑课件
9
1.4 二维问题图解法
二维极值问题有时可以用图解的方式进行求解,有 明显的几何解释。
例 求解 m infx ,y x 2 2 y 1 2
编辑课件
10
图解法的步骤:
①令 fx,yx22y 1 2c,显然 c 0 ;
②取 c0,1,4,9, 并画出相应的曲线(称之为等值线).
解法:Lagrange乘子法
1.2 实例
数据拟合问题 原料切割问题 运输问题 营养配餐问题 分配问题
1.3 基本概念
1. 最优化问题的向量表示法
设 xx1,x2, ,xnT 则
m i n fx 1 ,x 2 , ,x n 编辑课m 件 i n fx (1)
非线性方程组的数值解法及最优化方法课件

拟牛顿法求解非线性方程组
拟牛顿法是牛顿法的改进,通过构造一个近似于真实Hessian矩阵的对称正定矩阵来逼近, 从而加快了算法的收敛速度。
信赖域方法求解非线性方程组
信赖域方法是一种基于梯度信息的迭代算法,通过在每一步中计算一个小的搜索方向,并 限制步长,以避免算法发散。
最优化方法案例
梯度下降法求解无约束最优化问题
梯度下降法是一种迭代算法,通过不断沿负梯度方向更新变量,最终找到最优化问题的最小值点。该方法适用于求解 无约束最优化问题。
牛顿法求解无约束最优化问题
牛顿法是一种基于二阶导数的迭代算法,通过不断逼近函数的极小值点,最终求解无约束最优化问题。该方法适用于 求解具有多个局部最小值的问题。
遗传算法求解约束最优化问题 遗传算法是一种基于生物进化原理的随机搜索算法,通过模拟生物进化过程中的自然选择和遗传机制, 在解空间中进行高效搜索,最终找到满足约束的最优解。
和稳定性。
约束最优化方法
拉格朗日乘数法
通过引入拉格朗日函数,将约束最优化问题转化为无 约束最优化问题求解。
罚函数法
通过引入罚函数,将约束条件转化为无约束条件,通 过迭代更新求解。
序列二次规划法
结合拉格朗日乘数法和牛顿法的思想,通过迭代逼近 最优解。
混合整数最优化方法
01
02
03
分支定界法
将整数约束转化为区间约 束,通过不断分支和剪枝 来逼近最优解。
非线性方程组与最优化方法的结合案例
非线性规划问题
非线性规划是最优化领域中一类重要的数学问题,其目标函数和约束条件都是非线性的。常见的非线性规划问题 包括最小二乘问题、二次规划问题等。求解非线性规划问题的常用方法包括梯度下降法、牛顿法等。
拟牛顿法是牛顿法的改进,通过构造一个近似于真实Hessian矩阵的对称正定矩阵来逼近, 从而加快了算法的收敛速度。
信赖域方法求解非线性方程组
信赖域方法是一种基于梯度信息的迭代算法,通过在每一步中计算一个小的搜索方向,并 限制步长,以避免算法发散。
最优化方法案例
梯度下降法求解无约束最优化问题
梯度下降法是一种迭代算法,通过不断沿负梯度方向更新变量,最终找到最优化问题的最小值点。该方法适用于求解 无约束最优化问题。
牛顿法求解无约束最优化问题
牛顿法是一种基于二阶导数的迭代算法,通过不断逼近函数的极小值点,最终求解无约束最优化问题。该方法适用于 求解具有多个局部最小值的问题。
遗传算法求解约束最优化问题 遗传算法是一种基于生物进化原理的随机搜索算法,通过模拟生物进化过程中的自然选择和遗传机制, 在解空间中进行高效搜索,最终找到满足约束的最优解。
和稳定性。
约束最优化方法
拉格朗日乘数法
通过引入拉格朗日函数,将约束最优化问题转化为无 约束最优化问题求解。
罚函数法
通过引入罚函数,将约束条件转化为无约束条件,通 过迭代更新求解。
序列二次规划法
结合拉格朗日乘数法和牛顿法的思想,通过迭代逼近 最优解。
混合整数最优化方法
01
02
03
分支定界法
将整数约束转化为区间约 束,通过不断分支和剪枝 来逼近最优解。
非线性方程组与最优化方法的结合案例
非线性规划问题
非线性规划是最优化领域中一类重要的数学问题,其目标函数和约束条件都是非线性的。常见的非线性规划问题 包括最小二乘问题、二次规划问题等。求解非线性规划问题的常用方法包括梯度下降法、牛顿法等。
最优化 PPT课件

• 另外也可用学术味更浓的名称:“运筹 学”。由于最优化问题背景十分广泛,涉 及的知识不尽相同,学科分枝很多,因此 这个学科名下到底包含哪些分枝,其说法 也不一致。
• 比较公认的是:“规划论”(包括线性和
非线性规划、整数规划、动态规划、多目
标规划和随机规划等),“组合最优化”,
“对策论”及“最优控制”等等。
j
1, 2,L
,n
(5)
14
nn
min
cij xij
i 1 j 1
n
xij 1, i 1, 2,L
,n
s.t.
j 1 n
(5)
xij 1, j 1, 2,L , n
i1
xij
0
或 1 ,i,
j
1, 2,L
,n
(5)的可行解既可以用一个矩阵(称为解矩阵)表示,其每行每列均有且只
mn
min
cij xij
i 1 j 1
n
xij ai ,
i 1, , m
j 1
s.t.
m xij bj ,
j 1,2, , n
i 1
xij
0
11
对产销平衡的运输问题,由于有以下关系式存在:
n
bj
j1
m
i1
n xij
j1
n m
j1 i1
xij
费的总时间最少?
引入变量 xij ,若分配 i 干 j 工作,则取 xij 1,否则取 xij 0 。上
述指派问题的数学模型为
nn
min
cij xij
i 1 j 1
n
xij 1,i 1, 2,L
,n
j1
最优化方法课件 (1)

的研究,把几何、算术、天文、音乐称为“四艺”,在其中追求 宇宙的和谐规律性。 – 17世纪出现了笛卡尔、牛顿、莱布尼兹等数学家,奠定了微积分 的基础,其研究的对象包括行星运动、流体运动、机械运动、植 物生长等均属于数学建模的范畴; – 19世纪后期,数学成为了研究数与形、运动与变化的学问; – 可以说,数学是模式的科学,其目的是要揭示人们从自然界和数 学本身的抽象世界中所观察到的结构和对称性。
令h()= f()–g(), 则h(0)>0和h(/2)<0.
由 f, g的连续性知 h为连续函数, 据连续函数的基本性
质, 必存在0 , 使h(0)=0, 即f(0) = g(0) . 因为f() • g()=0, 所以f(0) = g(0) = 0.
评注和思考 建模的关键 ~ 和 f(), g()的确定
10
2 数学建摸的基本概念与分类
1. 数学模型与数学建模 2. 数学模型的分类 3. 数学模型的应用领域 4. 数学建模举例 5. 数学建模的过程
11
数学建模与数学模型
• 模型概念
– 把对象实体通过适当的过滤,用适当的表现规则描绘出的简 洁的模仿品.通过这个模仿品,人们可以了解到所研究实体的 本质,而且在形式上便于人们对实体进行分析和处理。
3
Introduction to Mathematic Modeling and Optimization
4
数学家名人录
5
Introduction: Concept, History, Progress and Class of Mathematic Modeling and Optimization
6
Contents
1. 引言:数学建模与最优化的背景
令h()= f()–g(), 则h(0)>0和h(/2)<0.
由 f, g的连续性知 h为连续函数, 据连续函数的基本性
质, 必存在0 , 使h(0)=0, 即f(0) = g(0) . 因为f() • g()=0, 所以f(0) = g(0) = 0.
评注和思考 建模的关键 ~ 和 f(), g()的确定
10
2 数学建摸的基本概念与分类
1. 数学模型与数学建模 2. 数学模型的分类 3. 数学模型的应用领域 4. 数学建模举例 5. 数学建模的过程
11
数学建模与数学模型
• 模型概念
– 把对象实体通过适当的过滤,用适当的表现规则描绘出的简 洁的模仿品.通过这个模仿品,人们可以了解到所研究实体的 本质,而且在形式上便于人们对实体进行分析和处理。
3
Introduction to Mathematic Modeling and Optimization
4
数学家名人录
5
Introduction: Concept, History, Progress and Class of Mathematic Modeling and Optimization
6
Contents
1. 引言:数学建模与最优化的背景
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
Sensitivity Analysis
1.What is the main content of Sensitivity Analysis 2.Changes in the objective function coefficients 3.Changes in the right-hand sides 4.Adding a new variable or a new constraint 5.Exercises
T T T cB + ∆ → cB B −1 N − cN , cB B −1b T T cN + ∆ → cB B −1 N − cN
Example: Determine the changing ranges of the objective coefficients of x1 and x2 , in which the optimal basis remain unchanged max s.t. S = x1 + x2 + 3 x3 x1 + x2 + 2 x3 + x4 =40 x1 + 2 x2 + x3 + x5 = 20 x1 + x3 + x6 = 15 x≥0
What is the main content of Sensitivity Analysis
Explore how changes in an LP’s objective function coefficients change the optimal solution Explore how changes in an LP’s right hand sides change the optimal solution Explore how changes the optimal solution when adding a new variable or a new constraint
0 1 −1 1 c B ∆N − c7 = (1 3 0 ) 0 0 1 1 − c7 = 3 − c7 ≥ 0 1 −1 −1 1
T B −1
Add a constraint to LP
max S = x1 + x2 + 3x3 max S = x1 + x2 + 3 x3 s.t. x + x + 2 x ≤ 40 1 2 3 s.t. x + x + 2 x ≤ 40 1 2 3 x1 + 2 x2 + x3 ≤ 20 x1 + 2 x2 + x3 ≤ 20 ⇒ x1 + x3 ≤ 15 x1 + x3 ≤ 15 3x2 + 2 x3 ≤ 10 x≥0 x≥0
How the change in the right-hand sides affect the optimal solution
T b + ∆ → B −1b, cB B −1b
Example: Find out the changing range of b1 in which the optimal basis remain unchanged max s.t. S = x1 + x2 + 3 x3 x1 + x2 + 2 x3 + x4 =40 x1 + 2 x2 + x3 + x5 = 20 x1 + x3 + x6 = 15 x≥0
1 2 1 0 1 −1 5 −1 −1 B = 1 1 0 , B = 0 0 1 , B b = 15 0 1 0 1 −1 −1 5
b1 b1 ∆b1 Assume b1 → b1 + ∆b1 , then b = b2 → b2 + 0 = b + ∆b b b 0 3 3 and the basic solution is changed to be B −1 ( b + ∆b ) = B −1b + B −1∆b 5 0 1 −1 ∆b1 5 + ∆b1 = 15 + 0 0 1 0 = 15 5 1 −1 −1 0 5 To make the optimal basis unchanged,we have 5 + ∆b1 ≥ 0 i.e. ∆b1 ≥ −5,b1 + ∆b1 ≥ 35 That is,if b1 changes in will remain optimal。 then [35, + ∞ ), the optimal basis
How the change in the objective function Coefficients affect the optimal solution
Suppose we have solved an LP and have found the optimal simplex tableau, according to the following table, analyze how changes the optimal simplex tableau as some coefficient in objective function is altered
T T cB + ∆cB ) B −1 N − cT = cB B −1 N + ∆cB B −1 N − cT ( N N T T T = cB B −1 N − cT + ∆cB B −1 N N
T ∆cB B −1 N = ( ∆c1
1 1 −1 0 0 ) 1 0 1 = ( ∆c1 −2 −1 −1
Use the lingo system to verify the results
Adding a New Variable
Example: Add a variable x7 to LP and 1.Find out the allowable changing range of c7 , in which the optimal basis remain unchanged? 2. How to increase the opimal objective value by alter the value of c7 max S = x1 + x2 + 3x3 max S = x1 + x2 + 3x3 + c7 x7 s.t. x + x + 2 x + x =40 s.t. x + x + 2 x + x +x =40 1 2 3 4 1 2 3 4 7 x1 + 2 x2 + x3 + x5 = 20 ⇒ x1 + 2 x2 + x3 + x5 + x7 = 20 x1 + x3 + x6 = 15 x1 + x3 + x6 + x7 = 15 x≥0 x≥0
∆c1
−∆c1 )
T T cB + ∆cB ) B −1 N − cT = cB B −1 N − cT + ∆cB B −1 N ( N N T
= c B N − c + ( ∆c1
T B −1 T N
∆c1 2 − ∆c1 )
= ( 3 1 2 ) + ( ∆c1
∆c1
= ( 3 + ∆c1 1 + ∆c1
T cB B −1 N − cT = ( 3 1 2 ) N
c1 ∆c1 if c1 → c1 + ∆c1 , then cB → c3 + 0 = cB + ∆cB c 0 4 and the test indicators are altered to be:
max S = k1 x1 + k2 x2 + k3 x3 s.t. x + x + 2 x ≤ b 1 2 3 1 x1 + 2 x2 + x3 ≤ b2 x1 + x3 ≤ b3 x≥0
T T c B N − ( cN + ∆cN ) = cB B −1 N − cN − ∆cT N T B −1 T
= ( 3 1 2 ) − ( ∆c2 = ( 3 − ∆c2 1 2 )
0 0)
If the optimal basis remain unchanged, we have 3 − ∆c2 ≥ 0 So if the coefficient of x2 changed in ( −∞,],the original 4 optimal basis will remain optimal。 that is:∆c2 ≤ 3,c2 + ∆c2 ≤ 4
⇒ x* = (15 0 5 15 0 10 0 ) , S * = 30
T
or x* = (15 0 5 ) , S * = 30
T
Exercises
Consider the following LP
max S = − x1 + x2 s.t. 2x + x + x = 4 1 2 3 x1 + x2 ≤ 2 x≥0
It is known that x2 and x3 are basic varibles in opitmal tableau, then find the optimal tableau
1.What is the main content of Sensitivity Analysis 2.Changes in the objective function coefficients 3.Changes in the right-hand sides 4.Adding a new variable or a new constraint 5.Exercises
T T T cB + ∆ → cB B −1 N − cN , cB B −1b T T cN + ∆ → cB B −1 N − cN
Example: Determine the changing ranges of the objective coefficients of x1 and x2 , in which the optimal basis remain unchanged max s.t. S = x1 + x2 + 3 x3 x1 + x2 + 2 x3 + x4 =40 x1 + 2 x2 + x3 + x5 = 20 x1 + x3 + x6 = 15 x≥0
What is the main content of Sensitivity Analysis
Explore how changes in an LP’s objective function coefficients change the optimal solution Explore how changes in an LP’s right hand sides change the optimal solution Explore how changes the optimal solution when adding a new variable or a new constraint
0 1 −1 1 c B ∆N − c7 = (1 3 0 ) 0 0 1 1 − c7 = 3 − c7 ≥ 0 1 −1 −1 1
T B −1
Add a constraint to LP
max S = x1 + x2 + 3x3 max S = x1 + x2 + 3 x3 s.t. x + x + 2 x ≤ 40 1 2 3 s.t. x + x + 2 x ≤ 40 1 2 3 x1 + 2 x2 + x3 ≤ 20 x1 + 2 x2 + x3 ≤ 20 ⇒ x1 + x3 ≤ 15 x1 + x3 ≤ 15 3x2 + 2 x3 ≤ 10 x≥0 x≥0
How the change in the right-hand sides affect the optimal solution
T b + ∆ → B −1b, cB B −1b
Example: Find out the changing range of b1 in which the optimal basis remain unchanged max s.t. S = x1 + x2 + 3 x3 x1 + x2 + 2 x3 + x4 =40 x1 + 2 x2 + x3 + x5 = 20 x1 + x3 + x6 = 15 x≥0
1 2 1 0 1 −1 5 −1 −1 B = 1 1 0 , B = 0 0 1 , B b = 15 0 1 0 1 −1 −1 5
b1 b1 ∆b1 Assume b1 → b1 + ∆b1 , then b = b2 → b2 + 0 = b + ∆b b b 0 3 3 and the basic solution is changed to be B −1 ( b + ∆b ) = B −1b + B −1∆b 5 0 1 −1 ∆b1 5 + ∆b1 = 15 + 0 0 1 0 = 15 5 1 −1 −1 0 5 To make the optimal basis unchanged,we have 5 + ∆b1 ≥ 0 i.e. ∆b1 ≥ −5,b1 + ∆b1 ≥ 35 That is,if b1 changes in will remain optimal。 then [35, + ∞ ), the optimal basis
How the change in the objective function Coefficients affect the optimal solution
Suppose we have solved an LP and have found the optimal simplex tableau, according to the following table, analyze how changes the optimal simplex tableau as some coefficient in objective function is altered
T T cB + ∆cB ) B −1 N − cT = cB B −1 N + ∆cB B −1 N − cT ( N N T T T = cB B −1 N − cT + ∆cB B −1 N N
T ∆cB B −1 N = ( ∆c1
1 1 −1 0 0 ) 1 0 1 = ( ∆c1 −2 −1 −1
Use the lingo system to verify the results
Adding a New Variable
Example: Add a variable x7 to LP and 1.Find out the allowable changing range of c7 , in which the optimal basis remain unchanged? 2. How to increase the opimal objective value by alter the value of c7 max S = x1 + x2 + 3x3 max S = x1 + x2 + 3x3 + c7 x7 s.t. x + x + 2 x + x =40 s.t. x + x + 2 x + x +x =40 1 2 3 4 1 2 3 4 7 x1 + 2 x2 + x3 + x5 = 20 ⇒ x1 + 2 x2 + x3 + x5 + x7 = 20 x1 + x3 + x6 = 15 x1 + x3 + x6 + x7 = 15 x≥0 x≥0
∆c1
−∆c1 )
T T cB + ∆cB ) B −1 N − cT = cB B −1 N − cT + ∆cB B −1 N ( N N T
= c B N − c + ( ∆c1
T B −1 T N
∆c1 2 − ∆c1 )
= ( 3 1 2 ) + ( ∆c1
∆c1
= ( 3 + ∆c1 1 + ∆c1
T cB B −1 N − cT = ( 3 1 2 ) N
c1 ∆c1 if c1 → c1 + ∆c1 , then cB → c3 + 0 = cB + ∆cB c 0 4 and the test indicators are altered to be:
max S = k1 x1 + k2 x2 + k3 x3 s.t. x + x + 2 x ≤ b 1 2 3 1 x1 + 2 x2 + x3 ≤ b2 x1 + x3 ≤ b3 x≥0
T T c B N − ( cN + ∆cN ) = cB B −1 N − cN − ∆cT N T B −1 T
= ( 3 1 2 ) − ( ∆c2 = ( 3 − ∆c2 1 2 )
0 0)
If the optimal basis remain unchanged, we have 3 − ∆c2 ≥ 0 So if the coefficient of x2 changed in ( −∞,],the original 4 optimal basis will remain optimal。 that is:∆c2 ≤ 3,c2 + ∆c2 ≤ 4
⇒ x* = (15 0 5 15 0 10 0 ) , S * = 30
T
or x* = (15 0 5 ) , S * = 30
T
Exercises
Consider the following LP
max S = − x1 + x2 s.t. 2x + x + x = 4 1 2 3 x1 + x2 ≤ 2 x≥0
It is known that x2 and x3 are basic varibles in opitmal tableau, then find the optimal tableau