线性规划问题的算法综述
线性规划问题求解例题和知识点总结
线性规划问题求解例题和知识点总结线性规划是运筹学中研究较早、发展较快、应用广泛且方法较成熟的一个重要分支，它是辅助人们进行科学管理的一种数学方法。
在实际生活中，很多问题都可以归结为线性规划问题，例如资源分配、生产计划、运输调度等。
下面我们将通过一些具体的例题来深入理解线性规划问题，并对相关知识点进行总结。
一、线性规划问题的基本概念线性规划问题是在一组线性约束条件下，求一个线性目标函数的最大值或最小值的问题。
其数学模型一般可以表示为：目标函数：＄Z ＝ c_1x_1 ＋ c_2x_2 ＋＼cdots ＋ c_nx_n$约束条件：＄＼begin{cases}a_{11}x_1 ＋ a_{12}x_2 ＋＼cdots ＋a_{1n}x_n ＼leq b_1 ＼＼ a_{21}x_1 ＋ a_{22}x_2 ＋＼cdots ＋a_{2n}x_n ＼leq b_2 ＼＼＼cdots ＼＼ a_{m1}x_1 ＋ a_{m2}x_2 ＋＼cdots ＋ a_{mn}x_n ＼leq b_m ＼＼ x_1, x_2, ＼cdots, x_n ＼geq0\end{cases}＄其中，＄x_1, x_2, ＼cdots, x_n$是决策变量，＄c_1, c_2, ＼cdots, c_n$是目标函数的系数，＄a_{ij}＄是约束条件的系数，＄b_1, b_2, ＼cdots, b_m$是约束条件的右端项。
二、线性规划问题的求解方法1、图解法对于只有两个决策变量的线性规划问题，可以使用图解法来求解。
其步骤如下：（1）画出约束条件所对应的可行域。
（2）画出目标函数的等值线。
（3）根据目标函数的优化方向，平移等值线，找出最优解所在的顶点。
例如，求解线性规划问题：目标函数：＄Z ＝ 2x ＋ 3y$约束条件：＄＼begin{cases}x ＋ 2y ＼leq 8 ＼＼ 2x ＋ y ＼leq 10＼＼ x ＼geq 0, y ＼geq 0\end{cases}＄首先，画出约束条件所对应的可行域：对于$x ＋ 2y ＼leq 8$，当$x ＝ 0$时，＄y ＝ 4$；当$y ＝ 0$时，＄x ＝8$，连接这两点得到直线$x ＋2y ＝8$，并取直线下方的区域。
运筹学中的线性规划算法
运筹学中的线性规划算法运筹学是运筹学家在解决一些管理决策问题（通常是最优化问题）时开发出来的一类数学方法。
运筹学与现代计算机科学和算法理论密切相关。
这里我们主要讲述一种在运筹学中被广泛使用的算法——线性规划算法。
一、线性规划的定义及特点线性规划是运筹学中应用最广泛的一类优化问题，它是在一组线性等式和不等式的约束条件下，最小化或最大化某一线性函数的优化问题。
形式化地，一个线性规划（LP）问题可以表示为$$\begin{aligned}& \text{maximize } c^Tx \\& \text{subject to } Ax \le b \\& \ \ \ \ \ \ \ \ \ \ \ \ x \ge 0\end{aligned}$$其中 $c \in \mathbb{R}^n$ 和 $b \in \mathbb{R}^m$，矩阵 $A \in \mathbb{R}^{m\times n}$。
注意到这里的不等式约束均为“小于等于”形式，并且 $x$ 的每一个分量都不可以为负数。
线性规划具有如下重要特点：1. 线性规划问题必须有线性约束，即线性规划问题只考虑目标函数和约束条件都是线性函数的情况。
2. 一般情况下，线性规划问题的最优解必须满足最优性约束，即必须取到目标函数的最大（小）值的点必须满足所有的约束条件。
3. 线性规划问题的最优解只能出现在可行点集的顶点处，这样的点集被称为线性规划问题的基本可行解集。
二、线性规划求解的基本思路及方法线性规划求解的基本思路是：先将可行域化为一个凸多面体，找到其顶点（基本可行解集），然后逐一检查这些顶点，直到找到最优解。
线性规划算法有多种，常见的有单纯形法、内点法、分支定界法等。
其中最广泛应用的是单纯形法。
1. 单纯形法单纯形法是由美国运筹学家乔治·丹尼尔（George Dantzig）在20世纪40年代发明的。
其主要思想是：从一个初始可行点开始，对于不满足约束条件的变量（非基变量），通过一些变换（如高斯消元）寻找到下一个可行解（即将一个非基变量变成基变量），如果找到更优解，则继续上述寻找过程，直至无法找到更优解。
线性规划问题的解法
线性规划问题的解法线性规划（Linear Programming，LP）是一种数学优化方法，用于求解线性约束条件下的最大化或最小化目标函数的问题。
线性规划问题在经济学、管理学、工程学等领域都具有广泛的应用，其求解方法也十分成熟。
本文将介绍线性规划问题的常用解法，包括单纯形法和内点法。
一、单纯形法单纯形法是解决线性规划问题最常用的方法之一。
它通过在可行解空间中不断移动，直到找到目标函数的最优解。
单纯形法的基本步骤如下：1. 标准化问题：将线性规划问题转化为标准形式，即将目标函数转化为最小化形式，所有约束条件均为等式形式，且变量的取值范围为非负数。
2. 初始可行解：选择一个初始可行解，可以通过人工选取或者其他启发式算法得到。
3. 进行迭代：通过不断移动至更优解来逼近最优解。
首先选择一个非基变量进行入基操作，然后选取一个基变量进行出基操作，使目标函数值更小。
通过迭代进行入基和出基操作，直到无法找到更优解为止。
4. 结束条件：判断迭代是否结束，即目标函数是否达到最小值或最大值，以及约束条件是否满足。
单纯形法的优点是易于理解和实现，而且在实际应用中通常具有较好的性能。
但是，对于某些问题，单纯形法可能会陷入循环或者运算效率较低。
二、内点法内点法是一种相对较新的线性规划求解方法，它通过在可行解空间的内部搜索来逼近最优解。
与单纯形法相比，内点法具有更好的数值稳定性和运算效率。
内点法的基本思想是通过将问题转化为求解一系列等价的非线性方程组来求解最优解。
首先，将线性规划问题转化为等价的非线性优化问题，然后通过迭代求解非线性方程组。
每次迭代时，内点法通过在可行解空间的内部搜索来逼近最优解，直到找到满足停止条件的解。
内点法的优点是在计算过程中不需要基变量和非基变量的切换，因此可以避免单纯形法中可能出现的循环问题。
此外，内点法还可以求解非线性约束条件下的最优解，具有更广泛的适用性。
三、其他方法除了单纯形法和内点法，还有一些其他的线性规划求解方法，如对偶方法、割平面法等。
线性规划问题的求解算法和应用
线性规划问题的求解算法和应用线性规划是一种常见的数学优化问题，求解线性规划问题具有广泛的应用。
本文将对线性规划相关算法进行介绍，并讨论线性规划在实际问题中的应用。
一、线性规划基本概念线性规划是指在一定约束条件下，优化一个线性目标函数的问题。
线性规划问题的一般形式如下：\begin{equation}\begin{aligned} \max/min & \quadc_{1}x_{1}+c_{2}x_{2}+...c_{n}x_{n} \\ \text{s.t.} & \quada_{11}x_{1}+a_{12}x_{2}+...a_{1n}x_{n}\leq b_{1} \\ & \quada_{21}x_{1}+a_{22}x_{2}+...a_{2n}x_{n}\leq b_{2} \\ & \quad ... \\ & \quad a_{m1}x_{1}+a_{m2}x_{2}+...a_{mn}x_{n}\leq b_{m} \\ & \quad x_{i}\geq 0(i=1,2,...,n) \end{aligned}\end{equation}其中，$c_{i}$是目标函数的系数，$a_{ij}$是约束条件的系数，$b_{i}$是约束条件的右端常数，$x_{i}$是决策变量。
线性规划的基本概念包括可行解、最优解、最优值等。
可行解是指满足约束条件的解。
最优解是指目标函数取得最优值时的决策变量取值。
最优值是指目标函数在可行解集合中取得的最大或最小值。
二、线性规划的求解方法线性规划的求解方法主要分为两种：单纯形法和内点法。
下面对这两种方法进行简要介绍。
1. 单纯形法单纯形法是目前解决线性规划问题的最主要方法。
其基本思想是通过不断地在可行解集合内移动，最终找到最优解。
它的具体步骤是：选择一个基本可行解作为起始点，然后通过寻找相邻可行解的方式来不断移动，直至找到最优解。
线性规划的求解算法
线性规划的求解算法 线性规划（linear programming ）是运筹学中的一个重要分支，在现代工业、农业、商业、交通运输、国防军事及经济管理等诸多领域都有着广泛重要的应用。
在数学系的竞赛数学建模中，也多次应用线性规划来建模从而解决实际问题。
在这里介绍单纯性法和对偶单纯形法两种求解线性规划的方法。
一、单纯形法算法主体思想标准线性规划简记如下：LP-max LP-mins.t {0Ax b x =≥ s.t {0Ax b x =≥ 这里只以LP-min 为例。
1、算法思想单纯形法是在已知一个可行基的前提下采用的解决线性规划的算法。
步骤如下：（1）输入初始矩阵：01020,111121,112,1n n m m m n a a a a a a a a a +++⎡⎤⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦K L M M O M K ，并化为典则形式。
用R （i ）记录单位矩阵I 中元素1的位置。
（2）求{}0min |0,1j j a j n t >≤≤@若t 不存在，则得到最优解；(i),1R i n x a += （i=1,2,...m ）.其他j x =0，停。
否则，转到（3）。
（3）求,1min{|0,1}i n it it a a i m a λ+>≤≤@。
若λ不存在，则LP-min 无下届，所以无最优解，停；否则，求,1min (i)|,0,1(s)i n it it a R a i m R a λ+⎧⎫=>≤≤⎨⎬⎩⎭@，转到（4）。
（4）sjsj sta a a ⇐，（j=1，2....n+1） ij ij sj it a a a a ⇐-,(i=0,1,2...m;i ≠s;j=1,2,....,n+1), (s)t R ⇐,转到（2）.二、对偶单纯形法对偶单纯形法是在已知一个正则基的条件下的求解线性规划的方法。
步骤如下:(1)输入初始矩阵：01020,111121,112,1n n m m m n a a a a a a a a a +++⎡⎤⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦K L M M O M K ，并化为典则形式。
线性规划问题的算法综述
线性规划问题的算法综述本文从网络收集而来，上传到平台为了帮到更多的人，如果您需要使用本文档，请点击下载按钮下载本文档（有偿下载），另外祝您生活愉快，工作顺利，万事如意！线性规划概念是在1947年的军事行动计划有关实践中产生的，而相关问题1823年Forier和口1911年PQusi就已经提出过，发展至今已有将近100年的历史了。
现在已成为生产制造、市场营销、银行贷款、股票行情、出租车费、统筹运输、电话资费、电脑上网等等热点现实问题决策的依据。
线性规划就是在满足线性约束下，求线性函数的极值。
毋庸置疑，数学规划领域的重大突破总是始于线形规划。
提到线性规划算法，人们最先想到的是单纯形法和内点法。
单纯形法是实际应用中使用最普遍的一种线性规划算法，而研究者们已证明在最坏的情况下单纯形法的计算复杂度是指数级的，内点算法的计算复杂度是多项式时间的。
把两种算法相提并论，要么是这两种算法都已经非常完备，要么都有需改进之处。
显然不属于前者，即两者都有需要改进之处。
几十年来，研究者通过不断努力，在两种算法的计算上都取得相当的进展。
1数学模型线性规划问题通常表示成如下两种形式:标准型、规范型。
设jj(2…，n)是待确定的非负的决策变量；认2…，n)是与决策变量相对应的价格系数；K2…mj=l2…n)是技术系数；b(i12…，m)是右端项系数；线性规划是运筹学最基本、运用最广泛的分支，是其他运筹学问题研究的基础。
在20世纪50年代到60年代期间，运筹学领域出现许多新的分支：非线性规划（nonlinearprogranming、商业应用（crnxmereialpplieation、大尺度方法(laresealemeh-Qd)随机规划（stochasticPKgiamniig)、整数规划(ntegerprogramming)、互补转轴理论（amplmentaiyPivotheor)多项式时间算法（polynomialtjneagatm)等。
线性规划的解法
线性规划的解法线性规划是现代数学中的一种重要分支，它是研究如何在一定约束条件下优化某种目标函数的一种数学方法。
在现实生活中，许多问题都可以用线性规划求解。
如在生产中，如何安排产品的产量才能最大化利润；在运输中，如何安排不同的运输方式最大程度降低成本等等。
线性规划的解法有多种，下面我们就来对其进行详细的介绍。
1. 单纯形法单纯形法是线性规划中最重要的求解方法之一，它是由Dantzig于1947年提出的。
单纯形法的基本思路是从某一个初始解出发，通过挑选非基变量，使得目标函数值逐步减少，直到得到一个最优解。
单纯形法的求解过程需要确定初始解和逐步迭代优化的过程，所以其求解复杂度较高，但是在实际中仍有广泛应用。
2. 对偶线性规划法对偶线性规划法是一种将线性规划问题转化为另一个线性规划问题来求解的方法。
这种方法的主要优势是，它可以用于求解某些无法用单纯形法求解的问题，如某些非线性规划问题。
对偶线性规划法的基本思路是将原问题通过拉格朗日对偶性转化为对偶问题，然后求解对偶问题，最终得到原问题的最优解。
3. 内点法内点法是一种由Nesterov和Nemirovsky于1984年提出的方法，它是一种不需要寻找可行起点的高效的线性规划求解方法。
内点法的基本思路是通过不断向可行域的内部靠近的方式来求解线性规划问题。
内点法的求解过程需要实现某些特殊的算法技术，其求解效率高，可以解决一些规模较大、约束条件复杂的线性规划问题。
4. 分枝定界法分枝定界法是一种通过逐步将线性规划问题分解成子问题来求解的方法。
这种方法的基本思路是，在求解一个较大的线性规划问题时，将其分解成若干个较小的子问题，并在每个子问题中求解线性规划问题，在不断逐步求解的过程中不断缩小问题的规模，最终得到问题的最优解。
总之，不同的线性规划解法各有千秋，根据实际问题的需要来选择合适的求解方法是非常重要的。
希望本文能够对您有所帮助。
线性规划问题的解法与最优解分析
线性规划问题的解法与最优解分析线性规划是一种数学建模方法，用于解决最优化问题。
它在工程、经济学、管理学等领域有着广泛的应用。
本文将介绍线性规划问题的解法和最优解分析。
一、线性规划问题的定义线性规划问题是指在一定的约束条件下，求解一个线性目标函数的最大值或最小值的问题。
线性规划问题的数学模型可以表示为：max/min Z = c₁x₁ + c₂x₂ + ... + cₙxₙsubject toa₁₁x₁ + a₁₂x₂ + ... + a₁ₙxₙ ≤ b₁a₂₁x₁ + a₂₂x₂ + ... + a₂ₙxₙ ≤ b₂...aₙ₁x₁ + aₙ₂x₂ + ... + aₙₙxₙ ≤ bₙx₁, x₂, ..., xₙ ≥ 0其中，Z表示目标函数的值，c₁, c₂, ..., cₙ为目标函数中的系数，a₁₁,a₁₂, ..., aₙₙ为约束条件中的系数，b₁, b₂, ..., bₙ为约束条件中的常数，x₁,x₂, ..., xₙ为决策变量。
二、线性规划问题的解法线性规划问题的解法主要有两种：图形法和单纯形法。
1. 图形法图形法适用于二维或三维的线性规划问题。
它通过绘制约束条件的直线或平面以及目标函数的等高线或等高面，来确定最优解。
首先，将约束条件转化为不等式，并将其绘制在坐标系上。
然后，确定目标函数的等高线或等高面，并绘制在坐标系上。
最后，通过观察等高线或等高面与约束条件的交点，找到最优解。
图形法简单直观，但只适用于低维的线性规划问题。
2. 单纯形法单纯形法是一种迭代的求解方法，适用于高维的线性规划问题。
它通过在可行域内不断移动，直到找到最优解。
单纯形法的基本思想是从初始可行解开始，每次通过找到一个更优的可行解来逼近最优解。
它通过选择一个基本变量和非基本变量，来构造一个新的可行解。
然后，通过计算目标函数的值来判断是否找到了最优解。
如果没有找到最优解，则继续迭代，直到找到最优解为止。
单纯形法是一种高效的求解线性规划问题的方法，但对于大规模的问题，计算量会很大。
- 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)。
线性规划问题的算法综述本文从网络收集而来，上传到平台为了帮到更多的人，如果您需要使用本文档，请点击下载按钮下载本文档（有偿下载），另外祝您生活愉快，工作顺利，万事如意！线性规划概念是在1947年的军事行动计划有关实践中产生的，而相关问题1823年Forier和口1911年PQusi就已经提出过，发展至今已有将近100年的历史了。
现在已成为生产制造、市场营销、银行贷款、股票行情、出租车费、统筹运输、电话资费、电脑上网等等热点现实问题决策的依据。
线性规划就是在满足线性约束下，求线性函数的极值。
毋庸置疑，数学规划领域的重大突破总是始于线形规划。
提到线性规划算法，人们最先想到的是单纯形法和内点法。
单纯形法是实际应用中使用最普遍的一种线性规划算法，而研究者们已证明在最坏的情况下单纯形法的计算复杂度是指数级的，内点算法的计算复杂度是多项式时间的。
把两种算法相提并论，要么是这两种算法都已经非常完备，要么都有需改进之处。
显然不属于前者，即两者都有需要改进之处。
几十年来，研究者通过不断努力，在两种算法的计算上都取得相当的进展。
1数学模型线性规划问题通常表示成如下两种形式:标准型、规范型。
设jj(2…，n)是待确定的非负的决策变量；认2…，n)是与决策变量相对应的价格系数；K2…mj=l2…n)是技术系数；b(i12…，m)是右端项系数；线性规划是运筹学最基本、运用最广泛的分支，是其他运筹学问题研究的基础。
在20世纪50年代到60年代期间，运筹学领域出现许多新的分支：非线性规划（nonlinearprogranming、商业应用（crnxmereialpplieation、大尺度方法(laresealemeh-Qd)随机规划（stochasticPKgiamniig)、整数规划(ntegerprogramming)、互补转轴理论（amplmentaiyPivotheor)多项式时间算法（polynomialtjneagatm)等。
20世纪70年代末，上述分支领域都得到了极大发展，但是却都不完善。
而且数学规划领域中存在许多Nfkhard问题，如TP问题，整数规划问题等。
这些问题的基本模型都可以写成线性规划形式，因此通过对线性规划算法的进一步研究，可以进一步启发及推动数学规划领域内其他分支的发展。
2边界点算法由于单纯形法与基线算法都是在可行集的边界上取得最优值，故合称单纯形法与基线法为边界点算法。
单纯形法是线性规划使用最早也是目前实际应用中最流行和求解新型规划问题最有效的算法之一。
它实施起来相当简单特别对中小规模问题效果显著。
单纯形法最早是由Damzg于1947年夏季首先提出来的。
1953年Dantzig为了改进单纯形法每次迭代中积累起来的进位误差，提出改进单纯形法12。
1954年美国数学家CELmH3针对对偶问题提出一种在数学上等价于用改进单纯形法求解的对偶线形规划。
1974年CuretN41提出了求解一般线性规划问题的原对偶单纯形法，该算法与对偶单纯形法类似，但是原对偶单纯形法允许我们从一个非基础对偶可行解开始算法求解。
1972年Klee等举例证明了单纯形算法的时间复杂性有可能是指数型。
1973年，Jeoslowoi和Zdeh7又分别进一步指出常用的对偶单纯形法、原一对偶单纯形法等都是指数级的。
这就让人们产生两个疑问:①是否存在单纯形法的某种改型，用它求解线性规划问题是多项式时算法。
对于问题①，研究者们对单纯形法采用了一系列改进技术如数据的预处理方法、更好的退化性处理、更好的局部价格向量计算、原一对偶最速下降边算法的应用、更快和更稳定的矩阵分解、更好的Cach存贮的应用、以及阶段1和阶段2的组合算法等。
但是仍未能从理论上证明线形规划算法是多项式时间的。
近年来国内也出现了一批致力于线形规划算法研究的学者，但是国内学者的研究主要集中在对单纯形法的突破研究上，如基线法|8_’最钝角原理1111等。
最钝角及投影主元标算法都是针对单纯形算法存在退化现象就如何选择最优入基、离基做出的一系列研究及改进。
退化现象是单纯形法一直以来需解决的难题，为了克服退化问题许多学者提出了有限主元规则：扰动法、字典序规则、Blad规则1171等，其中Bind规则由于其简单而备受关注，但是这些有限主元规则的实际应用方面并不令人满意，甚至都不能和Dantzg规则相比。
1990年，潘平奇教授在文献[11]给出了线性规划问题最优基的一个启发式刻画特征:最钝角原理。
最钝角原理是引人反映目标梯度与约束梯度夹角大小的“主元标”乍为确定变量进基优先性的依据，潘教授的数值试验11819表明此规则明显优于Bland规则。
然而潘的方法仅适用于只含不等式约束的线性规划问题。
为便于求解标准线性规划问题，许多学者在其基础上又提出了对偶主元标法。
由于对偶主元标法是利用严格互补松弛来推导过度的，针对这一问题，又有学者提出了投影主元标法。
除此之外还有一系列最钝角原理在非人工变量两阶段算法1M21及亏基情况下的应用研究。
这些研究表明，最钝角原理是克服单纯形法退化的一种有效方法。
基线算法的概念是1996年阮国桢教授提出来的1891，这种算法是单纯形法的发展，名字由来一方面是相对单纯形法（基点法）提出，另一方面是使用基线算法的主要思想是：其中疋FTX1;eRbERm为一个m阶单位矩阵。
n 是问题的维数，m是0计算出当前基线表对应的可行值区间[J-”。
若h…，n-L贝IJv为最优值，或者转SteP4Sep旋转基表，更新BaP旋转基表时通常只使用有限软上界行的负可旋主元。
对于负可旋主元的选择主要实现方法有：最大负主元算法[221，行列最好主元算法[231,保硬主元算法[24251等。
基线算法操作简单迭代次数少，求解速度快。
相对单纯形法来说，单纯形法最多能搜索与当前极点相邻的n个极点，而基线算法能搜索11个二维面，这是基线算法能够快速求解LP问题的关键所在。
发展至今，基线算法已有其对偶算法[271，群部分算法[‘目标规划[29301,锥上算法[311等一整套的理论基础和一系列具体的快速实现算法12632,围绕着是否存在着多项式的基线算法，在计算复杂度方面作深入的研究将对线性规划的发展具有十分深远的意义。
3割平面法线性规划算法中割平面思想的应用主要是指椭球法。
1979年Khanchiaii33!改进Yudin和Nan-ovski等[34]为凸规划开发的椭球法，获得了一个求解线形规划的多项式时间算法:椭球法。
对问题②做出了明确回答。
不同于单纯形法从一个基础可行解开始迭代，椭球法的特点是求解过程的每一阶段都有一个以某一点为中心的椭球，迭代是从一个包含最优解的较大的椭球迭代到包含最优解的较小的椭球直至逼近最优解。
为线性规划问题式（)的规模。
其中，lg]是以2为底的对数，「?]表示刚刚大于括号值的整数。
则椭球法的时间复杂度为OML)Khachiar椭!球法的主要思想是：根据线性规划的强对偶定理，线性规划问题式()可以转为下列求可行域问题：2)从球开始，这个球大到包括式（3l1)的所有可行集X不断构造一系列椭球，第k次迭代的椭球为Ek 检验椭球中心&是否满足约束条件；若满足则停止，否则利用割平面球的半椭球$Ek=EH{aTA构造新的椭球更新椭球Ek+1为包含半椭球的最小体积椭球。
按照这种算法下去直到椭球中心位于目标集内，椭球中心即为问题式（31)的解;否则椭球体积太小以至不含问题式（31)的可行解。
由于Khachiarn椭球法从构造包含可行域的大的椭球出发，初始椭球体积有可能是天文数字，而且KhanCir椭球法利用K-K-T条件将原规划问题转化为可行域求解问题，扩大了求解规模的同时加入了等式约束，使得可行集体积为零。
虽然求解时，对等式进行摄动，可行集体积仍然很小。
初始椭球体积太大，最终椭球（包含可行集的最小椭球）体积又几乎为零，算法可能需要经过非常大的迭代步数才能收敛。
而且如果对偶问题无界则原问题不可行，因此当计算结果无解时不能判断是原问题无界呢还是原问题不可行。
不少研究者从加大每次迭代后椭球缩小比出发，提出了许多KhanCirn椭球法的改进算法:深切害J(deepeus)35-37、替代切割（surrogatecuts)381、平行切割（paUMeus)|39-411等。
最新成果是杨德庄等人提出的新的椭球法142,其优点在于引入目标束不等式及目标不等式组成，与原椭球法相比一方面大大缩小了算法求解规模，另一方面扩大了可行集的体积。
而且新算法中可行集切割及目标切割交替进行，加速了椭球体积的缩小。
不过令人失望的是即使最好的椭球法实施在计算上都难以与已有的单纯形法相比。
因此，实际中很少作为一般方法使用1431。
然而线性规划的其他解法如单纯形法、内点法都需要从一个基础解出发，然后确定迭代方向、迭代步长，因此每次迭代都需要计算目标函数和所有约束函数。
而椭球法的计算则简单得多，理论上来说椭球法对于约束条件多的问题更有效。
4内点法1984年KamarH441提出了一个比Khanchian法好的多项式时间算法的内点法，称为Kamaikar法。
由于该法引用了非线性规划中的牛顿投影，因此又称K_aka牧影法。
K_aka袪的提出在线性规划领域具有极大的理论意义。
与椭球法不同，这个新算法不仅在最坏情况下在时间复杂度上优于单纯形法，在大型实际问题中也有潜力与单纯形法竞争。
这一方法的提出掀起了一股内点法的研究热潮。
鉴于Kamaka?法的难读性，一些研究学者?对Kamaika 袪进行了适度的修改，使其简便易读。
然而直接用该方法编程解题的测试表明，与目前基于单纯形法的商用软件相比，并没有明显的优势1491。
因此很多研究者在Kamarka法的基础上深入研究并提出了各种修正内点法方法：仿射尺度法，对数障碍函数法，路径跟踪法算法等。
仿射比例调节法又分为原（Ptme)仿射比例调节法和对偶（Dua)方射比例调节法。
原仿射比例调节法是从原问题出发，用一个仿射变换代替投影变换，把坐标系从一个非负象限不是单纯形）映射到其本身。
该法1967年由前苏联学者Dkii5(0提出，但他的工作直到Bame1]等人再次研究该法后才被法，另一方面作了完全的收敛性的证明。
此外，1989年AdleP等发表了从原问题的对偶问题出发的对偶仿射比例调节法。
1986年G1531等人第一次把用于非线性规划的对数障碍函数法用于线性规划，并证明了对数障碍函数法和Kamarka投影法是等价的。
以后的研究表明kamaikaf法实际上是广义对数障碍函数法的一个特殊情形。
由于其计算方面的优越性，因此该法得到更多的研究和发展，该法也分为原对数障碍函数法和对偶对数障碍函数法。
原对偶（PrimaDua)各径跟踪法，实际上是原对偶障碍函数法，是MeidG19M541年提出的。