第三章线性规划描述

合集下载

第三章线性规划的对偶理论

s.t. AX=b X≥0 由于 AX=b 即 AX=b
AX≤b AX≥b
AX≤b -AX≤-b 所以，原问题可化为 max z=CX s.t. AX≤b -AX≤-b X≥0
A
X≤ -A
b
-b
14
设Y'：AX≤b的对偶变量（行向量） Y''：-AX≤-b的对偶变量（行向量）按对称形式的对偶关系可得出原问题的对偶问题如下： min w =Y'b-Y''b= （Y'-Y''）b （Yb=bTYT） s.t Y'A-Y''A≥C （ YA=ATYT） Y'≥0，Y''≥0 令Y= Y'-Y''，则对偶问题为 min w =Yb s.t YA≥C Y符号不限结论：原问题中约束条件为等式，对应的对偶变量无非负要求；反过来同样成立。
s.t. 2y1+ y2+ 4y3 ≥2
2y1+2y2+ 4y4 ≥3 y1, y2 , y3 , y4 ≥ 0
解：2.首先将原式变形
m axZ 2 x1 3 x 2 4 x 3 2 x 3 x 2 5 x 3 2 3 x1 x 2 7 x 3 3 x1 4 x 2 6 x 3 5 x1 , x 2 , x 3 0
对于非对称形式的规划，可以按照下面的对应关系直接给出其对偶规划。（1）对原问题模型为“max，约束条件为≤”或“min，约束条件为≥” 的形式，对应的对偶规划的变量大于 0 ；反之，若原问题模型为“max，≥”或“min，≤” 的形式，对应的对偶规划的变量小于0。（ 2 ）原问题线性规划的决策变量大于 0 ，则对偶问题的模型为“max，约束条件为≤”或“min，约束条件为≥” 的形式；若原问题线性规划的决策变量小于0；则对偶问题的模型为“max，≥”或“min，≤” 的形式。

第三章线性规讲义划模型

➢ 对偶问题的对偶是原问题。
Min W= Yb
YA - YS= C Y,YS≥0
➢ 若两个互为对偶问题之一有最优解，则另一个必有最优解，且目标函数值相等(Z*=W*)，最优解满足CX*=Y*b。
第三章线性规划模型
▪ 线性规划问题的提出 ▪ 线性规划问题的建模 ▪ 典型特征和基本条件 ▪ 一般模型和标准模型 ▪ 线性规划的图解方法 ▪ 影子价格与敏感分析 ▪ 线性规划模型的应用
第三章线性规划模型
• 对偶问题的提出
某厂生产甲、乙两种产品，消耗A、B两种原材料。生产一件甲产品可获利2元，生产乙产品获利3元。问在以下条件下如何安排生产？
设备 A 设备 B 设备 C 利润（元/件）
产品产品产品产品甲乙丙丁 1.5 1.0 2.4 1.0 1.0 5.0 1.0 3.5 1.5 3.0 3.5 1.0 5.24 7.30 8.34 4.18
设备能力（小时）
2000 8000 5000
第三章线性规划模型
▪ 建立的模型如下：
z=12737.06（元）
▪ 请注意最优解中利润率最高的产品丙在最优生产计划中不安排生产。说明按产品利润率大小为优先次序来安排生产计划的方法有很大局限性。尤其当产品品种很多，设备类型很多的情况下，用手工方法安排生产计划很难获得满意的结果。另外，变量是否需要取整也是需要考虑的问题。
第三章线性规划模型
用线性规划制订使总利润最大的生产计划。
每件产品占用的产品产品产品产品设备能力
机时数（小时/件）甲乙丙丁（小时）
设备 A
1.5 1.0 2.4 1.0
2000
设备 B
1.0 5.0 1.0 3.5

第三章线性规划

的一个极点．
定义3.2.3 设 X 1, X 2, , X k是 n 维欧氏空间 En 中的 k 个
点，若存在 1,2, ,k ，且 0 i 1i 1,2, ,k ， i 1 ，使
凸组合，则称是的 X 1X 1 2 X 2 k X k
i
X X 1, X 2, , X k
．
由此可见，凸集与极点的定义都与两点的凸组合密切相关．可以证明：有界凸集的任意一点都可以表示为该集的极点的凸组合．
即可。
例6 将下列线性规划模型化为标准形式
min z x1 2x2 4x3
x1 x2 x3 4
s.t.
2x1 x2 3x3 5 x1 3x2 x3 6
3x1 x2 2x3 7
x1 0, x2 0, x3无约束
解：以 x2 代替 x2 ；令 x3 x4 x5 ，x4 0，x5 0 ；z z 上述线性规划模型可化为标准型：
s.t.
n j 1
aij x j
bi i
1,2,
,m
x j 0 j 1,2, , n
（2）向量表示的缩写
max z C T X
n
s.t. j1 Pj x j b X 0
其中
C c1, c2 , , cn T ; X x1, x2 , , xn T ;
Pj a1 j , a2 j , , amj T ;
线性关系：约束条件及目标函数均保持线性关系．
具有以上特点的决策问题，被称之为线性规划问题。
二、线性规划问题的数学模型
一般形式标准形式缩写形式
1、LP问题的一般形式
maxminz c1x1 c2 x2 cn xn
a11x1 a12x2 a1n xn , b1

第三章_整数线性规划

0
b
j 1
j
xj B
• 目标—总收益最大
max
c
j1
n
j
x
j
max
c
j1
n
j
x
j
n b j x j B s .t . j 1 x 1 , 0 ; j 1 , 2 ..., n j
旅游售货员问题
• 背景
• 案例 • 模型
背景
• 旅游线路安排预定景点走且只走一次路上时间最短 • 配送线路—货郎担问题送货地到达一次总路程最短

混合整数规划模型
min c x Ax b s .t . x 0 x i 为整数 , i 1, 2 ,..., p

§2.2 整数线性规划算法
• 与线性规划的关系
• 分支定界算法
• 割平面算法 • 近似算法
与线性规划的关系
放松的线性规划整数规划
min c

min c
x ij 1, 0 ; i 1, 2 ..., 17 , j 1, 2 , 3
• 约束
包裹容量限制
c
i 1
3
17
i
x ij r j ; j 1, 2 , 3
必带物品限制

3
x ij 1; i 1, 2 ..., 7
j 1
选带物品限制
x ij 1; i 8 , 2 ..., 17
3. 对于问题B，任选一个不符合整数条件的变量 xj=bj，对问题B进行分支，增加两个约束条件： xj[bj] 和 xj[bj] +1，形成两个后继问题B1 和 B2 ,求它们的松弛问题，得到目标函数值的上界。转步骤4 。 4. 考察所有后继问题， (a)如果它的目标函数值的上界不如zb，舍去该支，转步骤4 。 (b)如果没有后继问题, 则当前最优解就是原问题的最优解，stop。 (c)寻找目标函数值的界最好的后继问题,转步骤5。

第三章线性规划的对偶定理

特点：
1． max min 2．限定向量b 价值向量C
其它形式的对偶
?
（资源向量）
3．一个约束一个变量。
4． max z的LP约束“ ” min z 的
LP是“ ”的约束。
5．变量都是非负限制。
二、原问题与对偶问题的数学模型
❖ 1．对称形式的对偶
当原问题对偶问题只含有不等式约束
时，称为对称形式的对偶。
根据对称形式的对偶模型,可直接写出上述问题的对偶问题:
b max w (Y 1,Y 2 ) -b
(Y
1,Y
2
)
A A
C
Y1 0 ,Y2 0
max w (Y 1 Y 2 ) b
(Y
1
Y
2
)
A
C
Y 1 0, Y 2 0
令 Y Y，1 Y得2对偶问题为：
max w Yb
❖ （3）若原问题可行，但其目标函数值无界，则对偶问题无可行解。
❖ （4）若对偶问题可行，但其目标函数值无界，则原问题无可行解。
❖ （5）若原问题有可行解而其对偶问题无可行解，则原问题目标函数值无界。
❖ （6）对偶问题有可行解而其原问题无可行解，则对偶问题的目标函数值无界。
CX Yb
原问题
设备A 设备B 调试工序
产品Ⅰ 产品Ⅱ
0
5
6
2
1
1
利润（元） 2
1
D
15时 24时 5时
x 设 Ⅰ产量––––– 1
x Ⅱ产量––––– 2
如何安排生产，使获利最多？
max z 2 x1 x2
s.t.
5x2 15
6 x1 2 x2 24

第三章线性规划及其对偶问题

第三章线性规划及其对偶问题线性规划是最优化问题的一种特殊情形，也是运筹学的一个重要分支，它的实质是从多个变量中选取一组适当的变量作为解，使这组变量满足一组确定的线性式，而且使一个线性目标函数达到最优（最大或最小）．线性规划的应用极为广泛，自1949年美国数学家G. B. Dantzing 提出一般线性规划问题求解的方法——单纯形法之后，线性规划无论在理论上、计算方法和开拓新的应用领域中，都获得了长足的进步，线性规划从解决技术问题的最优化设计到工业、农业、商业、交通运输业、军事、经济计划和管理决策等领域都有广泛的发展和应用．本章主要从线性规划的基本概念、数学模型、单纯形法、对偶理论、灵敏度分析等方面进行介绍．§3.1 线性规划数学模型基本原理一、线性规划的数学模型满足以下三个条件的数学模型称为线性规划的数学模型：（1）每一个问题都用一组决策变量T n x x x ][21，，，表示某一方案；每一组值就代表一个具体方案．（2）有一个目标函数，可用决策变量的线性函数来表示，按问题的不同，要求目标函数实现最大化或最小化．（3）有一组约束条件，可用一组线性等式或不等式来表示．线性规划问题的一般形式为1211221111221121122222112212max(min)()()()..()0n n n n n n n m m mn n m n f x x x c x c x c x a x a x a x b a x a x a x b s t a x a x a x b x x x =++++++≤=≥⎧⎪+++≤=≥⎪⎪⎨⎪+++≤=≥⎪⎪≥⎩，，，，，，，，，，，，，．这里，目标函数中的系数n c c c ，，， 21叫做目标函数系数或价值系数，约束条件中的常数m b b b ，，， 21叫做资源系数，约束条件中的系数；，，，m i a ij 21(= )21n j ，，， =叫做约束系数或技术系数．二、线性规划问题的标准形式所谓线性规划问题的标准形式，是指目标函数要求min ，所有约束条件都是等式约束，且所有决策定量都是非负的，即1211221111221121122222112212min ()..0n n n n n n n m m mn n mn f x x x c x c x c x a x a x a x b a x a x a x b s t a x a x a x b x x x =++++++=⎧⎪+++=⎪⎪⎨⎪+++=⎪⎪≥⎩，，，，，，，，，，，或简写为11min ()12..012nj j j nij ji j jf X c x a x b i m s t x j n ===⎧==⎪⎨⎪≥=⎩∑∑，，，，，，，，，，．可以规定各约束条件中的资源系数0(12)i b i n ≥=，，，，否则等式两端乘以“1-”．线性规划问题的矩阵表示为min ()..0f X CX AX b s t X ==⎧⎨≥⎩，，，其中12[]n C c c c =，，，，12[]T n X x x x =，，，，11121212221212n n n m m mn a a a a a a A P P P a a a ⎡⎤⎢⎥⎢⎥==⎢⎥⎢⎥⎣⎦［，，，］，12[]T n b b b b =，，，．任意的线性规划模型都可以转化为标准形式：（1）若目标函数是求最大值的问题，这时只需将所有目标函数系数乘以“－1”，求最大值的问题就变成了求最小值的问题，即)](min[)(max X f X f --=．求其最优解后，把最优目标函数值反号即得原问题的目标函数值．（2）若约束条件为不等式，这里有两种情况：一种是“≤”不等式，则可在“≤”不等式的左端加入一个非负的新变量（叫松驰变量），把不等式变为等式；另一种是“≥”不等式，则可在“≥”不等式的左端减去一个非负松驰变量（也叫剩余变量），把不等式变为等式．松驰变量在目标函数中对应的系数为零．（3）若存在取值无约束的变量k x ，可令k k k x x x ''-'=，其中k x '，0≥''k x ．例3.1 将下列线性规划问题化为标准形式123123123123123max ()2372.3250f X x x x x x x x x x s t x x x x x x =-+++≤⎧⎪-+≥⎪⎨-++=⎪⎪≥⎩，，，，，，为无约束．解将目标函数变为)](min[X f -，令543x x x -=，其中450x x ≥，，在第一个约束不等式中加入松驰变量6x ，在第二个约束不等式中减去剩余变量7x ，则可得标准形式12456712456124571245124567min[()]23()00()7()2.32()5,,,,,0f X x x x x x x x x x x x x x x x x s t x x x x x x x x x x -=-+--++++-+=⎧⎪-+--=⎪⎨-++-=⎪⎪≥⎩，，，，．三、线性规划的解的概念和基本定理考虑线性规划标准形式的约束条件0AX b X =≥，，其中A 为n m ⨯矩阵，m n >，b 是m 维向量．假定增广矩阵,A b ［］的秩=矩阵A 的秩m =，把矩阵A 的列进行可能的重新排列，使,A B N =［］．这里B 为m m ⨯矩阵，且有逆矩阵存在，即0||≠B ，称B 为该线性规划问题的一个基．不失一般性，设111211212,,,m m m m mm a a a B PP P a a a ⎡⎤⎢⎥==⎢⎥⎢⎥⎣⎦［］，称(12)j P j m =，，，为基向量，与基向量对应的变量(12)j x j m =，，，称为基变量，记为12T B m X x x x =［，，，］，其余的变量称为非基变量，记为12T N m m n X x x x ++=［，，，］．令m n -个非基变量均为0，并用高斯消元法，可得一个解12[][00]T T T T B N m X X X x x x ==，，，，，，，，称X 为该约束方程组的基解，其中b B X B 1-=．满足非负约束条件0≥X （基解的非零分量都0≥）的基解称为基可行解．对应于基可行解的基称为可行基．基可行解的非零分量个数小于m 时，称为退化解．线性规划的解的基本定理：引理3.1 线性规划问题的可行解12[]T n X x x x =，，，为基可行解的充要条件是X 的正分量所对应的系数列向量是线性无关的．证必要性由基可行解的定义可知．下证充分性若向量组k P P P ，，，21线性无关，则必有m k ≤；当m k =时，它们恰构成一个基，从而12[00]T k X x x x =，，，，，，为相应的基可行解．当m k <时，则一定可以从其余的列向量中取出k m -个与k P P P ，，，21构成最大的线性无关向量组，其对应的解恰为X ，所以它是基可行解．定理3.1 线性规划问题的基可行解X 对应于可行域D 的顶点．证不失一般性，假设基可行解X 的前m 个分量为正，故∑==mj jj b xP 1．（3.1）现在分两步来讨论，分别用反证法．（1）若X 不是基可行解，则它一定不是可行域D 的顶点．根据引理3.1，若X 不是基可行解，则其正分量所对应的系数列向量m P P P ，，， 21线性相关，即存在一组不全为零的数12i i m α=，，，，，使得02211=+++m m P P P ααα （3.2）用一个0>μ的数乘式（3.2），再分别与式（3.1）相加和相减，得到111222()()()m m m x P x P x P b μαμαμα-+-++-=，111222()()()m m m x P x P x P b μαμαμα++++++=．现取11122[()()()00]T m m X x x x μαμαμα=---，，，，，，，21122[()()()00]T m m X x x x μαμαμα=+++，，，，，，，由21X X ，可得121122X X X =+，即X 是21X X ，连线的中点．另一方面，当μ充分小时，可保证012i i x i m μα±≥=，，，，，即21X X ，是可行解，这证明了X 不是可行域D 的顶点．（2）若X 不是可行域D 的顶点，则它一定不是基可行解．因为X 不是可行域D 的顶点，故在可行域D 中可找到不同的两点，(1)(1)(1)112[]T nX x x x =，，，，T nx x x X ][)2()2(2)2(12，，， =，使12(1)01X X X ααα=+-<<，．设X 是基可行解，对应向量组m P P P ，，， 21线性无关，当m j >时，有0)2()1(===j j j x x x ，由于21X X ，是可行域的两点，应满足∑∑====mj mj jj j j b xP b x P 11)2()1(,．将这两式相减，即得∑==-mj j j jx xP 1)2()1(0)(．因21X X ≠，所以上式系数)()2()1(j j x x -不全为零，故向量组m P P P ，，， 21线性相关，与假设矛盾，即X 不是基可行解．定理3.2 若可行域有界，线性规划问题的目标函数一定可以在其可行域的顶点上达到最优．证设k X X X ，，， 21是可行域的顶点，若0X 不是顶点，且目标函数在0X 处达到最优*0()f X CX =（标准形式是*()min ()f X f X =）．因0X 不是顶点，所以它可以用D 的顶点线性表示为01101kki i i i i i X X ααα===≥=∑∑，，．因此011k ki i i i i i CX C X CX αα====∑∑．（3.3）在所有的顶点中必然能找到某一个顶点m X ，使m CX 是所有i CX 中最小者，并且将m X 代替式（3.3）中的所有i X ，得到∑∑===≥ki ki m m i ii CX CX CX11αα，由此得到m CX CX ≥0．根据假设，0CX 是最小值，所以只能有m CX CX =0，即目标函数在顶点m X 处也达到最小值．§3.2 线性规划迭代算法单纯形法是求解线性规划问题的迭代算法．一、单纯形法的计算步骤单纯形法的基本思路是：从可行域中某个基可行解（一个顶点）开始，转换到另一个基可行解（顶点），直到目标函数达到最优时，基可行解即为最优解．单纯形法的基本过程如图3.1所示．为计算方便，通常借助于单纯形表来计算，从初始单纯形表3.1开始，每迭代一步构造一个新单纯形表．单纯型表中B X 列中填入基变量m x x x ，，， 21；B C 列中填入基变量的价值系数m c c c ，，， 21；b 列中填入约束方程组右端的常数；j θ列的数字是在确定换入变量后，按θ规则计算填入；最后一行称为检验数行，对应各非基变量j x 的检验数是∑=-=-=mi j j ij i j j z c a c c 1σ，1j m n =+，，（这里令∑==mi ijj j ac z 1）．（1）找出初始可行基，确定初始基可行解，建立初始单纯形表．（2）检验各非基变量j x 的检验数∑=-=-=mi j j iji j j z c ac c 1σ（1j m n =+，，）．若所有0≥j σ，则已得到最优解，停止计算．否则转入下一步．（3）在0(1)j j m n σ<=+，，，中，若所有0≤jk a ，则此问题无最优解，停止计算．否则转入下一步．（4）根据min{|0}j j k σσσ<=，确定k x 为换入变量．按θ规则计算min 0i l ik ik lkb ba a a θ⎧⎫=>=⎨⎬⎩⎭，可确定l x 为换出变量，转入下一步．（5）以lk a 为主元素进行迭代（用高斯消元法），把k x 所对应的列向量120010k k k lk mk a a P l a a ⎡⎤⎡⎤⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥=−−−→⎢⎥⎢⎥←⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎣⎦⎣⎦变换成第行，将B X 列中的l x 换为k x ，得到新的单纯形表，重复步骤（2）—步骤（5），直到终止．单纯形法的流程图如图3.2所示．若目标函数要求实现最大化，一方面可将最大化转换为最小化，另一方面也可在上述计算步骤中将判定最优解的0≥j σ改为0≤j σ，将换入变量的条件min{|0}j j k σσσ<=改为max{|0}j j k σσσ>=．二、初始可行基的确定（1）若线性规划问题是11min ()12..012nj j j nij ji j jf X c x a x b i m s t x j n ===⎧==⎪⎨⎪≥=⎩∑∑，，，，，，，，，，，则从(12)j P j n =，，，中一般能直接观察到存在一个初始可行基12100010[,,,]001m B P P P ⎡⎤⎢⎥⎢⎥==⎢⎥⎢⎥⎣⎦．（2）对所有约束条件是“≤”形式的不等式，可以利用化标准形式的方法，在每个约束条件的左端加入一个松驰变量，经过整理重新对j x 及ij a 进行编号，可得下列方程组．，，m n mn m m m m n n m m n n m m b x a x a x b x a x a x b x a x a x =+++=+++=+++++++++ 11,2211,221111,11显然得到一个m m ⨯单位矩阵B 可作为初始可行基12100010[,,,]001m B P P P ⎡⎤⎢⎥⎢⎥==⎢⎥⎢⎥⎣⎦．（3）对所有约束条件是“≥”形式的不等式及等式约束情况，若不存在单位矩阵时，可采用人工变量，即对不等式约束减去一个非负的剩余变量后，再加入一个非负的人工变量；对等式约束再加入一个非负的人工变量，总可得到一个单位矩阵作为初始可行基．例3.2 求解线性规划问题12121212max ()2328416..4120f X x x x x x s t x x x =++≤⎧⎪≤⎪⎨≤⎪⎪≥⎩，，，，，．解：将线性规划问题化为标准形式12345123142512345min[()]2300028416..4120f X x x x x x x x x x x s t x x x x x x x -=--+++++=⎧⎪+=⎪⎨+=⎪⎪≥⎩，，，，，，，，．作初始单纯形表，按单纯形法计算步骤进行迭代，结果如下（表3.2）．表3.2最后一行的检验数均为正，这表示目标函数值已不可能再减小，于是得到最优解*42004T X =［，，，，］，目标函数值14)(*=X f ．三、单纯形法的有关说明对线性规划问题min ()..0f X CX AX b s t X ==⎧⎨≥⎩，，，（3.5）若系数矩阵中不含单位矩阵，没有明显的基可行解时，常采用引入非负人工变量的方法来求初始基可行解．下面分别介绍常用的“大M 法”和“两阶段法”．（一）大M 法在约束条件式（3.5）中加入人工变量，人工变量在目标函数中的价值系数为M ，M 为一个很大的正数．在迭代过程中，将人工变量从基变量中逐个换出，如果在最终表中当所有检验数0≥j σ时，基变量中不再含有非零的人工变量，这表示原问题有解，否则无可行解．例3.3 求解线性规划问题12312312313123min ()3211423..210f X x x x x x x x x x s t x x x x x =-++-+≤⎧⎪-++≥⎪⎨-+=⎪⎪≥⎩，，，，，，．解：将原问题化为标准形式并引入人工变量，得12345671234123561371234567min ()300211423..210f X x x x x x Mx Mx x x x x x x x x x s t x x x x x x x x x x =-++++++-++=⎧⎪-++-+=⎪⎨-++=⎪⎪≥⎩，，，，，，，，，，．用单纯形法计算，得表3.3．根据表 3.3的最后一行的检验数均0≥，得最优解*4190000T X =［，，，，，，］，最优值2)(*-=X f ，由于人工变量的值均为零，故得原问题的最优解*419T X =［，，］，最优值为2)(*-=X f ．（二）两阶段法两阶段法是把线性规划问题的求解过程分为两个阶段：第一阶段，给原问题加入人工变量，构造仅含价值系数为1的人工变量的目标函数且要求实现最小化，其约束条件与原问题相同，即11111111211221112min ()00..0n n m n n n n nn n n m mn n n m m n m g X x x x x a x a x x b a x a x x b s t a x a x x b x x x ++++++=++++++++=⎧⎪+++=⎪⎪⎨⎪+++=⎪⎪≥⎩，，，，，，，．然后用单纯形法求解上述问题，若得到0)(=X g ，这说明原问题存在基可行解，可进入第二阶段计算，否则原问题无可行解，停止计算．第二阶段，将第一阶段计算得到的最终表，除去人工变量，将目标函数行的系数换为原问题的目标函数系数，作为第二阶段计算的初始单纯形表进行计算．例3.4 用两阶段法求解线性规划问题12312312313123min ()3211423.210f X x x x x x x x x x s t x x x x x =-++-+≤⎧⎪-++≥⎪⎨-+=⎪⎪≥⎩，，，，，，．解第一阶段，标准化并引入人工变量，得如下的线性规划=)(min X g 76x x +，1234123561371234567211423.210x x x x x x x x x s t x x x x x x x x x x -++=⎧⎪-++-+=⎪⎨-++=⎪⎪≥⎩，，，，，，，，，．用单纯形法计算该线性规划（见表 3.4），最优解为*[011120000]T X =，，，，，，，，最优值0)(*=X g ．表3.4由于人工变量076==X X ，所以得原问题的基可行解为[011120]T X =，，，，．于是进入第二阶段计算（见表3.5），最优解为*[41900]T X =，，，，，最优值2)(*-=X f ，于是原问题的最优解为*[419]T X =，，，最优值为2)(*-=X f ．§3.3 对偶问题的基本原理一、对偶问题的提出对偶性是线性规划的重要内容之一，每一个线性规划问题必然有与之相伴而生的另一个线性规划问题，我们称一个叫原问题，另一个叫对偶问题，这两个问题有着非常密切的关系，让我们先分析一个实际的线性规划模型与其对偶线性规划问题的经济意义．例3.5 某工厂计划在下一生产周期生产3种产品1A ，2A ，3A ，这些产品都要在甲、乙、丙、丁4种设备上加工，根据设备性能和以往的生产情况知道单位产品的加工工时，各种设备的最大加工工时限制，以及每种产品的单位利润（单位：千元），如表3.6所示，问如何安排生产计划，才能使工厂得到最大利润？解设321x x x ，，分别为产品321A A A ，，的产量，构造此问题的线性规划模型为1231231231312123max ()8102237042280..3152250,,0f X x x x x x x x x x s t x x x x x x x =++++≤⎧⎪++≤⎪⎪+≤⎨⎪+≤⎪⎪≥⎩，，，，，．现在从另一个角度来讨论该问题．假设工厂考虑不安排生产，而准备将所有设备出租，收取租费．于是，需要为每种设备的台时进行估价．设4321y y y y ，，，分别表示甲、乙、丙、丁4种设备的台时估价．由表3.6可知，生产一件产品1A 需用各设备台时分别为h h h h 2342，，，，如果将h h h h 2342，，，不用于生产产品1A ，而是用于出租，那么将得到租费43212342y y y y +++．当然，工厂为了不至于蚀本，在为设备定价时，保证用于生产产品1A 的各设备台时得到的租费，不能低于产品1A 的单位利润8千元，即823424321≥+++y y y y ．按照同样分析，用于生产一件产品2A 的各设备台时h 1，h 2，0，h 2所得的租费，不能低于产品2A 的单位利润10千元，即1022421≥++y y y ．同理，还有223321≥++y y y ．另外，价格显然不能为负值，所以01234iy i ≥=，，，，．企业现在设备的总以时数为70h ，80h ，15h ，50h ，如果将这些台时都用于出租，企业的总收入为422150158070)(y y y y Y g +++=．企业为了能够得到租用设备的用户，使出租设备的计划成交，在价格满足上述约束的条件下，应将设备价值定得尽可能低，因此取)(Y g 的最小值，综合上述分析，可得到一个与例3.5相对应的线性规划，即123412341231231234min ()70801550243282210..3220g Y y y y y y y y y y y y s t y y y y y y y =++++++≥⎧⎪++≥⎪⎨++≥⎪⎪≥⎩，，，，，，，．称后一个规划问题为前一个规划问题的对偶问题，反之，也称前一个规划问题是后一个规划问题的对偶问题．二、原问题与对偶问题的表达形式和关系在线性规划的对偶理论中，把如下线性规划形式称为原问题的标准形式11221111221121122222112212min ()..0n n n n n n m m mn n mn f X c x c x c x a x a x a x b a x a x a x b s t a x a x a x b x x x =++++++≥⎧⎪+++≥⎪⎪⎨⎪+++≥⎪⎪≥⎩，，，，，，，．而把如下线性规划形式称为对偶问题的标准形式11221111221121122222112212max ()..0n n m m m m n n mn m nm g Y b y b y b y a y a y a y c a y a y a y c s t a y a y a y c y y y =++++++≥⎧⎪+++≥⎪⎪⎨⎪+++≥⎪⎪≥⎩，，，，，，，．若用矩阵形式表示，则原问题和对偶问题分别可写成如下形式：原问题min ()..0f X CX AX b s t X =≥⎧⎨≥⎩，，．（3.6）对偶问题max ()..0g Y Yb YA C s t Y =≤⎧⎨≥⎩，，．（3.7）原问题与对偶问题的关系见表3.7．例3.6 求下面线性规划问题的对偶问题123412341342341234min ()23535224..600f X x x x x x x x x x x x s t x x x x x x x =+-++-+≥⎧⎪+-≤⎪⎨++=⎪⎪≤≥⎩，，，，，，，无约束．解：根据表3.7可直接写出上述问题的对偶问题12312131********max ()546223..325100g Y y y y y y y y s t y y y y y y y y y =+++≥⎧⎪+≤⎪⎪-++≤-⎨⎪-+=⎪⎪≥≤⎩，，，，，，，无约束．三、对偶理论定理3.3（弱对偶定理）对偶问题（max ）的任何可行解︒Y ，其目标函数值总是不大于原问题（min ）任何可行解︒X 的目标函数值．证由定理所设及问题（3.6）和问题（3.7）容易看出︒︒︒︒≤≤CX AX Y b Y ．定理3.4（对偶定理）假如原问题或对偶问题之一具有有限的最优解，则另一问题也具有有限的最优解，且两者相应的目标函数值相等．假如一个问题的目标函数值是无界的，则另一问题没有可行解．证明从略．定理3.5（互补松驰定理）假如︒X 和︒Y 分别是原问题（3.6）和对偶问题（3.7）的可行解，︒U 是原问题剩余变量的值，︒V 是对偶问题松驰变量的值，则︒X 、︒Y 分别是原问题和对偶问题最优解的充要条件是0=+︒︒︒︒X V U Y ．证由定理所设，可知有0AX U b X U ︒︒︒-=︒≥，，，（3.8） 0Y A V C Y V ︒︒︒︒︒+=≥，，．（3.9）分别以︒Y 左乘式（3.8），以︒X 右乘式（3.9），两式相减，得b Y CX X U U Y ︒︒︒︒︒︒-=+．若0=+︒︒︒︒X V U Y ，根据弱对偶定理知CX b Y CX Yb ≤=≤︒︒．这说明︒X ，︒Y 分别是原问题和对偶问题最优解，反之亦然．根据互补松驰定理和决策变量满足非负条件可知，在最优解时，︒︒U Y 和︒︒X V 同时等于0，所以有)21(000n j x v j j ，，， ==， )21(000m i u y i i ，，， ==．于是，互补松驰定理也可以这样叙述：最优化时，假如一个问题的某个变量取正数，则相应的另一个问题的约束条件必取等式；或者一个问题中的约束条件不取等式，则相应于另一问题中的变量必为零．例3.7 已知线性规划问题123451234512445min ()23523234.2330125jf X x x x x x x x x x x s t x x x x x x j =++++⎧++++≥⎪-+++≥⎨⎪≥=⎩，，，，，，，．已知其对偶问题的最优解为5)(5/35/4**2*1===Y g y y ，，，试用对偶理论找出原问题的最优解．解：先写出它的对偶问题12121212121212max ()4322(1)3(2)235(3)..2(4)33(5)0g Y y y y y y y y y s t y y y y y y =++≤⎧⎪-≤⎪⎪+≤⎪⎨+≤⎪⎪+≤⎪≥⎪⎩，，，，，，，．将*2*1y y ，的值代入约束条件，得（2），（3），（4）为严格不等式，由互补松驰定理得***2340x x x ===，因021≥y y ，，原问题的两个约束条件应取等式，故有**1534x x +=， **1523x x +=．求解后得到**1511x x ==，，故原问题的最优解为 **10001()5TX f X ==［，，，，］，．四、对偶问题的迭代算法对偶单纯形法是对偶问题的迭代算法，其基本思想是：从原问题的一个基本解出发，此基本解不一定是可行解，但它对应着对偶问题的一个可行解；然后检验原问题的基本解是否可行，即是否有负的分量．如果有小于零的分量，则进行迭代，求另一个基本解，此基本解对应着另一个对偶可行解．如果得到的基本解的分量皆非负，则该基本解为最优解．也就是说，对偶单纯形法在迭代过程中始终保持对偶解的可行解，使原问题的基本解由不可行逐步变为可行．当同时得到对偶问题与原问题的可行解时，便得到原问题的最优解．对线性规划问题的标准形式min ()..0f X CX AX b s t X =≥⎧⎨≥⎩，，．对偶单纯形法的计算步骤如下：(1)找出原问题的一个基，构成初始对偶基可行解，使所有检验数0≥j σ，构成初始对偶单纯形表．(2)若所有0≥i b ，则当前的解是最优解，停止计算，否则计算min{|0}l i i b b b =<，则l 行为主行，该行对应的基变量为换出变量．(3)若所有0≥lj a ，则对偶问题无界，原问题无解，停止计算，否则计算min |0j k lj lj lka a a σσθ⎧⎫⎪⎪=<=⎨⎬--⎪⎪⎩⎭，则k 列为主列，该列对应的基变量为换入变量．(4)以lk a 为主元素进行迭代，然后转回步骤(2)．对偶单纯形法的流程图如图3.3所示．例3.8 用对偶单纯形法求解下述线性规划问题123123123123min ()23423..2340f X x x x x x x s t x x x x x x =++++≥⎧⎪-+≥⎨⎪≥⎩，，，，，．解：首先将“≥”约束条件两边反号，再加入松驰变量，可得原问题的一个基123451234123512345min ()2340023..2340f X x x x x x x x x x s t x x x x x x x x x =++++---+=-⎧⎪-+-+=-⎨⎪≥⎩，，，，，，，．图3.3从表3.8看出，所有检验数0≥j σ，则对应对偶问题的解是可行的，因b 列数字为负，需进行迭代，计算min 344--=-｛，｝．所以5x 为换出变量．又因为24min 123θ⎧⎫=-=⎨⎬⎩⎭，，，所以1x 为换入变量，以换入、换出变量所在行列交叉处元素“－2”为主元素，按单纯形法计算步骤进行迭代，得表3.9．由表3.9的最后一行看出，所有检验数0≥j σ，故原问题的最优解为*[11/52/50]T X =，，．若对应两个约束条件对偶变量为1y ，2y ，则可得对偶问题的最优解为*[8/51/5]T Y =，．§3.4 线性规划问题灵敏度在建立实际的线性规划模型时，所收集到的数据不是很精确；另一方面在实际应用中，各种信息瞬息万变，已形成的数学模型中的某些数据需要随之而变．因此，对于一个线性规划问题，研究当数据发生变动时解的变化情况是很重要的．下面仅介绍两种数据变化而导致解的变化的情况，这就是灵敏度分析问题．一、价值系数的变化假设只有一个系数k C 变化，其它系数保持不变，k C 的变化只影响检验解而不影响解的非负定性，下面分别就k C 是非基变量系数和基变量系数两种情况进行讨论．（1）k C 是非基变量的系数由于B C 不变，因而j Z 对任何j 都不变．这时非基变量的系数k C 的变化只影响与k C 有关的一个检验数k σ的变化，而对其它j σ没有影响，设系数从k C 变化到k C '，这时检验数k k k Z C -=σ被k k kZ C -'='σ所代替，在当前解是原问题的最优解时，有0≥-=k k k Z C σ，假如()(k k k k k k C Z C Z C σ'''=-=-+)0k C -<，则k X 必须引进基，单纯形法继续进行，否则原解仍是k C 变化后的新问题的最优解，最优解不变相当于k C '变化的界限为)(k k k kZ C C C --≥'．（2）k C 为基变量的系数当k C 被k C '所代替时，j Z 变成j Z '，j j Z C '-可计算为kj k kj j j j a C C Z C Z C )(-'--='-．（3.10）特别是当k j =时，0=-k k Z C ，且1=kk a ，因此k k k k C C Z C -'='-，仍为零．由式（3.10）知，基变量k x 的价值系数k C 的变化会引起整个价值系数行的变化，变化值为)(k k C C -'-乘以最终表相应该基变量k x 所在的k 行的数值kj a ．k 列本身则调整为0='-'k k Z C ．由式（3.10）可看出，当对某个非基变量j x ，式（3.10）为负时会引起基的变化，若要保持最优解不变，分析变化值)(k k C C -'且大于或小于零以及kj a 值是正或负的情况，得出会保持最优解不变的k C '的变化界限为max 0min 0j j j j k kj k k kj j jkj kj C Z C Z C a C C a a a ⎧⎫⎧⎫--⎪⎪⎪⎪'+<≤≤+>⎨⎬⎨⎬⎪⎪⎪⎪⎩⎭⎩⎭．例3.8 以例3.2的最终表为例，设基变量2x 的系数2C 变化2C ∆，在原最优解不变条件下，确定2C ∆的变化范围．解此时例3.2的最终表便成为表3.10为了保持原最优解不变，则2x 的检验数应当为零，进行行初等变换，得表3.11．从表（3.11）可得02232≥∆-C 且08812≥∆+C ．由此可得2C ∆的变化范围为312≤∆≤-C ，即2x 的价值系数2C 可以在[0，4]之间变化，而不影响原最优解．二、资源系数的变化假设资源系数k b 变化为k b '，k b 的变化将会影响解的可行性，但不会引起检验数的符号变化．根据基可行解的矩阵表示可知，b B X B 1-=，所以只要k b 变化必定会导致最优解的数值发生变化，最优解的变化分为两类：一类是保持01≥-b B ，最优基B 不变；另一类是b B 1-中出现负分量，这将使最优基B 变化，若最优基不变，则只需将变化后的k b 代入B X 的表达式重新计算即可；若b B 1-中出现负分量，则要通过迭代求解新的最优基和最优解．设系数k b 变化到k k k b b b ∆+='，而其它系数都不变，这样使最终表中原问题的解相应变化为11111100k B k k k k m mk m b a b X B b b B b B b b b a b ---⎡⎤⎡⎤⎢⎥⎢⎥'⎡⎤⎡⎤⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥'=+∆=+∆=+∆⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥⎢⎥'⎢⎥⎣⎦⎣⎦⎢⎥⎢⎥⎢⎥⎣⎦⎣⎦，其中B X 为原最优解，i b '为B X 的第i 个分量，ik a 为1-B 的第i 行第k 列元素，为了保持最优基不变，应使0≥'B X ，即110k k m mk a b b b a '⎡⎤⎡⎤⎢⎥⎢⎥+∆≥⎢⎥⎢⎥⎢⎥⎢⎥'⎣⎦⎣⎦．由此可得到保持最优基不变时，资源系数的变化界限为max 0min 0i i k ik k k ik ik ik b b b a b b a a a ⎧⎫⎧⎫''--⎪⎪⎪⎪'+>≤≤+<⎨⎬⎨⎬⎪⎪⎪⎪⎩⎭⎩⎭．例3.9 若例3.2的第二个约束条件中2b 变化为22b b ∆+，在最优解不变的条件下，求2b ∆的变化范围．解计算⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡≥∆⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡-+⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡=⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡∆+--000812141244002211b b B b B可得2224/(1/4)164/(1/2)82/(1/8)16b b b ∆≥-=-∆≥-=-∆≤--=，，．所以2b ∆的变化范围是（－8，16）．显然2b 的变化范围是（8，32）．。

第三章整数线性规划

割平面法
IP LP xl*
Yes xI* = xl*
判别是否整数解
No 加入割平面条件用对偶单纯型方法继续求解
§3.3 分枝定界方法
分枝定界方法的基本思想分枝定界方法的实现——例题
1 分枝定界方法的基本思想
如果松弛问题(P0)无解，则(P)无解；
如果(P0)的解为整数向量，则也是(P)的解；
min -(x1 x2 ) s.t.-4x1 2 x2 1 (P1 ) 4x1 2 x2 11 x1 1 x1 , x2 0, Integer
P2
约束 x1 1, x1 2 (它们将x1=3/2排除在外)，得到两个子问题：
min -(x1 x2 ) s.t.-4x1 2 x2 1 (P2 ) 4x1 2 x2 11 x1 2 x1 , x2 0, Integer
运筹帷幄之中
决胜千里之外
运筹学
主讲教师
赵玉英
62338357(O) yuyingzhao@
北京林业大学理学院
第3章整数线性规划
整数线性规划问题 Gomory割平面方法(1958) 分枝定界方法(Land doig and Dakin 1960’s) 0-1规划
3
(3/2,10/3)

3
x1
3 整数线性规划问题的求解
思路2：由于纯整数线性规划的可行集合就是一些离散的格点，可否用穷举的方法寻找最优解？当格点个数较少时，这种方法可以；对一般的ILP问题，穷举方法无能为力。

3 整数线性规划问题的求解
目前，常用的求解整数规划的方法有：割平面法和分枝定界法；对于特别的0－1规划问题采用隐枚举法和匈牙利法。

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)。

山东理工大学管理学院
3.1 线性规划及其数学模型 3.1.2 线性规划数学模型
（4）隐含的假设

比例性：决策变量变化引起目标的改变量与决策变量改变量成正比可加性：每个决策变量对目标和约束的影响独立于其它变量连续性：每个决策变量取连续值确定性：线性规划中的参数aij , bi , ci为确定值
山东理工大学管理学院
简介
历史悠久
理论成熟

与其它传统数学学科相比较, 线性规划算是非常“年轻”却非常 “实用”的一门应用数学。根据八十年代的一项调查, 在美国《财富》杂志(Fortune) 名列前五百名的大公司中, 百分八十五均曾应用线性规划的方法来协助公司的营运。由此可见线性规划应用面的宽广与普及。
1 7 x1 1 x 1 2 x 1 3x 4 x x x x 4 21 22 23 24 3 9 2 x 3 3x 4 x3 1 x 3 xij 0 , i 1 , 2 , j3 ;
x1 1 x 2 1 x 3 13 26 2 x 3 x1 2 x 2 35 x1 3 x 2 3 x 3 x x x 6 24 34 14 i 1 , 2 , j3 ; xij 0 ,
第三章线性规划
（Linear Programming）

LP问题的数学模型 LP问题的图解法 LP问题的标准型及其解的概念单纯形法对偶理论灵敏度分析运输问题
山东理工大学管理学院
3.1 线性规划及其数学模型

3.1.1 线性规划简介 3.1.2 线性规划的数学模型小结
某工厂计划生产 A、B 两种产品，生产这两种产品需要煤、电力和劳动力三种资源。已知该厂可利用的煤有 360t，电力有 200kw，劳动日有 300 个，生产每千克产品的资源消耗量和能获得的利润如下表所列。问该厂应生产 A，B 两种产品各多少千克才能使总利润最大？
资源消耗量/kg 资源煤电力劳动日利润/(百元/kg) 产品 A x1 9 4 3 7 B x2 4 5 10 12 资源限制量
应用广泛
在1950和1960年代, 线性规划的内容愈变愈丰富, 更有许多成功的实用案例, 所以愈来愈受世人瞩目。到了1975年, 瑞典皇家科学院决定将当年的诺贝尔经济奖颁发给前面提到的L. V. Kantorovich 和T. C.Koopmans 以表彰他们在 “资源最佳分配理论”的贡献。由于这项最佳分配是藉由线性规划模式来达成, 所以线性规划便成了万众瞩目的焦点。

作业
山东理工大学管理学院
3.1 线性规划及其数学模型 3.1.1 线性规划简介

运筹学中应用最广泛的方法之一运筹学的最基本的方法之一，网络规划，整数规划，目标规划和多目标规划都是以线性规划为基础的

解决稀缺资源最优分配的有效方法，使付出的费用最小或获得的收益最大
山东理工大学管理学院
简介
G. B. Dantzig教授山东理工大学管理学院
简介
历史悠久

理论成熟
线性规划的理论基础绝不是一夕生成。早在 1826年左右法国的大数学家傅立叶便研究过如何解决一组联立线性不等式的问题。这以后还有不少的数学家做过相关的研究工作。到了1939年, W.Karush 在芝加哥大学的硕士论文更提出在有限维空间里满足不等式约束的函数其最优化的条件(optimality conditions)。在同一年里, 苏联的L. V. Kantorovich 更提出一些很特殊的线性规划模式来做简单的生产计划。他甚至还有一套简化的方法来求解呢!不幸的是Kantorovich的工作始终未为苏联之外的世界所知, 一直到了Dantzig 建立起完整的线性规划理论之后数十年方为世人所知。
2
5 6 8
12
14 8
求：最低成本的原料混合方案山东理工大学管理学院
3.1 线性规划及其数学模型
解：设每单位添加剂中原料i的用量为xi (i =1,2,3,4)， f 为
总成本。
min f= 2x1 + 5x2 +6x3+8x4
4x1 + 6x2 + x3+2x4 12
x1 + x2 +7x3+5x4 14 2x2 + x3+3x4 8 xi 0 (i =1,…,4)

历史悠久
理论成熟
应用广泛
根据一般的说法, 线性规划问题是由G. B. Dantzig教授在1947年前后孕育出来的。那个时候他担任美国空军的数学顾问, 负责发展一套机械式的方法来做兵力调遣, 人员训练, 以及后勤补给这些计划方案。由于这类问题牵涉很广也很复杂, 所以Dantzig 博士先考虑最简单的线性结构, 将有关的函数一律简化成线性形式来处理。其结果便在1948 年以“线性结构的规划” (Programming in Linear Structure) 的标题发表。至于“线性规划”这个名称, 则是另一位名家T. C. Koopmans 和Dantzig 两人于1948年夏天在美国加州圣塔摩尼加(Santa Monica) 海滩散步时拟定的。在1947到1949两年间, 线性规划里的一些重要观念, 包括最有名的“单纯形法” (Simplex method), 都陆续见诸于世。而且从1947年开始,T. C. Koopmans 便明确指出线性规划可以做为传统经济分析的利器。
山东理工大学管理学院
简介
历史悠久

理论成熟
应用广泛
四年之后(亦即1979年), 线性规划再次成了报章杂志的头条新闻。这次是因为一位苏联数学家L. G. Khachian, 他利用N. Z. Shor,D. B. Yudin, 以及A. S. Nemirovskii的“椭球法”(ellipsoid method) 概念印证出线性规划问题可在多项式时间内求得解答。从纯理论的观点而言,Khachian 的“椭球法”在最恶劣的情况下所需要的计算量要比“单纯形法”增长的缓慢。所以有希望用之解决超大型的线性规划问题, 包括全球资源的最佳分配在内。这也就是华尔街日报(Wall Street Journal) 将“椭球法” 的发现列为头条新闻的重要原因。不幸的是理论归于理论, 在实际计算上, “椭球法”的一般表现反倒不如传统的“单纯形法”来得有效。于是这方面的学者专家重新构想是否能设计出一套解法无论在理论上和实际计算上均能超越“单纯形法” ? 这个问题的答案到了1984 年由一位美国电话电报公司贝尔实验室的印度裔科学家N. Karmarkar 揭晓。他设计出一项“内点法” 来解线性规划问题, 不但理论上较“单纯形法”为优, 而且经由实际验证适合解决超大型的问题。从此之后,“内点法”的研究蔚为一时风潮, 不断有推陈出新的结果。
山东理工大学管理学院
3.1 线性规划及其数学模型 3.1.2 线性规划数学模型例3：（下料问题）某工厂制造一种机床，每台机床需A，B，C三种不同长度的轴各一根，其毛坯长度：A为2.9m，B为2.1m，C为1.5m，它们用同一种圆钢来下料，每根圆钢长为7.4m。要造 100台机床，问如何下料最好？试建立其数学模型（不考虑下料截口损耗）。
山东理工大学管理学院
3.1 线性规划及其数学模型 3.1.2 线性规划数学模型（1）线性规划模型特点

决策变量： x1， … ， xn 决策人要考虑和控制的因素且非负约束条件：线性等式或不等式

目标函数：ƒ=ƒ(x1 … xn) 线性式，求ƒ最大或最小值。
山东理工大学管理学院
3.1 线性规划及其数学模型 3.1.2 线性规划数学模型
使得总利润 f=7x 1 +12x 2 取得最大值。
山东理工大学管理学院
3.1 线性规划及其数学模型
例2：原料混合方案
利用四种原料生产由维生素A、B、C组成的一种添加剂，详细数据见下表：
维生素原料 A B Ｃ每单位成本
1
2 3 4 每单位添加剂中维生素最低含量
4
6 1 2
1
1 7 5
0
2 1 3
360t 200kw 300 个
山东理工大学管理学院
3.1 线性规划及其数学模型
解: 设产品A, B的产量分别为x1 ， x2 ，f 为总利润，则该问题可归结为，求一组变量x1 ， x2满足下列条件：
9 x1 4 x 2 360 4 x 5 x 200 1 2 3 x1 10 x 2 300 x1 , x 2 0
（由收量关系）
山东理工大学管理学院
3.1 线性规划及其数学模型
解：由题意，将各种可能的下料方案排列如下表：
各种下料方案一览表
方案 A B C 总用料料头圆钢
1 2根 1根 7.3 0.1
2 1 2 7.1 0.3
3 1 1 1 6.5 0.9
4 1
5 3
6 2 2 7.2 0.2
7 1 3 6.6 0.8
山东理工大学管理学院
14
3.1 线性规划及其数学模型 3.1.2 线性规划数学模型
（3）线性规划数学模型的简化形式
n
max(min)f c j x j
j 1
n aij x j (, )bi , i 1, 2 , , m j 1 x 0 , j 1,2 , , n j
甲乙丙收量/t
A 5 1 7 3
B 12 9 4 6
C 3 2 10 5
D 11 7 5 6
发量/t 7 4 9 20
山东理工大学管理学院
3.1 线性规划及其数学模型

第三章线性规划描述

第三章 线性规划的对偶理论