运筹学教程 单纯形法(1基本思路和原理)
合集下载
运筹学-第一章-单纯形法基本原理
初始基本可行解：
X ( 0) ( x1 , x2 ,, xm ,0,0,...,0)T (b1 , b2 ,......,bm ,0,0,...,0)T
0
0
0
单纯形法基本原理
2、基变换 定义：两个基可行解称为相邻的，如果它们之间变换 且仅变换一个基变量。 初始基可行解的前m个为基变量，
X
凸集
顶点
凸集
不是凸集
顶点：如果凸集C中不存在任何两个不同的点X1，X2，使X 成为这两个点连线上的一个点
单纯形法基本原理
定理1：若线性规划问题存在可行解，则该问题的可行域是 凸集。 定理2：线性规划问题的基可行解X对应可行域(凸集)的顶 点。 定理3：若问题存在最优解，一定存在一个基可行解是最优 解。（或在某个顶点取得）
的左边变成一个单位矩阵，
b (b1 a1 j ,.,bl 1 al 1 j , , bl 1 al 1 j ,.,bm am1 j , ) ( x1 , x2 ,..., xl 1 , x j , xl 1 ,..., xm )
X
(1)
T
与X
( 0)
是相邻的基可行解。
M M bm 0 L
M M
M M
L 1 am,m1 L L 00
M , M amn m
bi 其中： i a kj 0 a kj
j c j ci aij c j z j
单纯形法的计算步骤
例1.12 用单纯形法求下列线性规划的最优解
max Z 3 x1 4 x 2 2 x1 x 2 40 x1 3 x 2 30 x , x 0 1 2
xi0 aij 0, aij 0,取值无限，
X ( 0) ( x1 , x2 ,, xm ,0,0,...,0)T (b1 , b2 ,......,bm ,0,0,...,0)T
0
0
0
单纯形法基本原理
2、基变换 定义：两个基可行解称为相邻的，如果它们之间变换 且仅变换一个基变量。 初始基可行解的前m个为基变量，
X
凸集
顶点
凸集
不是凸集
顶点：如果凸集C中不存在任何两个不同的点X1，X2，使X 成为这两个点连线上的一个点
单纯形法基本原理
定理1：若线性规划问题存在可行解，则该问题的可行域是 凸集。 定理2：线性规划问题的基可行解X对应可行域(凸集)的顶 点。 定理3：若问题存在最优解，一定存在一个基可行解是最优 解。（或在某个顶点取得）
的左边变成一个单位矩阵，
b (b1 a1 j ,.,bl 1 al 1 j , , bl 1 al 1 j ,.,bm am1 j , ) ( x1 , x2 ,..., xl 1 , x j , xl 1 ,..., xm )
X
(1)
T
与X
( 0)
是相邻的基可行解。
M M bm 0 L
M M
M M
L 1 am,m1 L L 00
M , M amn m
bi 其中： i a kj 0 a kj
j c j ci aij c j z j
单纯形法的计算步骤
例1.12 用单纯形法求下列线性规划的最优解
max Z 3 x1 4 x 2 2 x1 x 2 40 x1 3 x 2 30 x , x 0 1 2
xi0 aij 0, aij 0,取值无限，
运筹学单纯形法
单纯形表
max z=x1+2x2 s.t. x1+x23 x2 1 x1, x2 0
Cj CB XB b 0 0 Z X3 3 X4 1 0 1 2 0 0
标准化
max z=x1+2x2 s.t. x1+x2+ x3 =3 x2 +x4=1 x1, x2 ,x3, x40
X1 X2 X3 X4 1 0 1 1 1 2 1 0 0 0 1 0
Z=x1+2x2 x1+x2+ x3 =3 x2 +x4=1 单纯形表
Cj
1
2
0
0
单纯形法原理 单纯形表 CB XB b
z=x1+2x2 x3 =3-x1-x2 x4=1 -x2
x2进基，x4离基
X1 X2 X3 X4
3/1 11
0
1 0
1 1
1 1
2 2 0 1 0 2 0 1 0 0 1 0 -1 0
max z=x1+2x2 s.t. x1+x2+x3 =3 x2 +x4=1 x1, x2, x3, x40
x1=0
(x1,x2,x3,x4)= (0,1,2,0), z=2 C (x1,x2,x3,x4)= (2,1,0,0), z=4,最优解
B
x4=0 x3=0
(x1,x2,x3,x4)= (0,0,3,1), z=0
1 0
0 0
0 1
0
CB XB b 0 2 Z Cj CB XB b 1 2 Z X1 2 X2 1 4 X3 2 X2 1 2 1 1 0 0
X1 X2 X3 X4 1 0 1 1 0 0 0 -1 1 -1
运筹学单纯形法
总结：①在迭代过程中要保持常数列向量非负，这能确保基 可行解旳非负性。最小比值能做到这一点。 ②主元素不能为0。因为行旳初等变换不能把0变成1。 ③主元素不能为负数。因为用行旳初等变换把负数变成1会 把常数列中相应旳常数变成负数。
16
三、其他解旳情况 1、无穷多种解 例2 解LP问题：
min Z x1 2 x2 x3 0 x4 0 x5
xx51
1 2c 5 3c
其中c是满足非负性旳任意常数。
21
再由
x1,
x5
旳非负性，知：
x1 x2
1 2c c
0 0
x5 5 3c 0
解出 0 c 5 3
最优解为：
(2c 1, c,0,0,5 3c)T （其中0 c 5 ）
3
最优值为：max S 1.
22
2、无最优解旳两种情况：
相应地，将 X 0代入目的函数得 Z ( X 0 ) 0
从数学角度看，若让非基变量 x1, x2 取值从零增长，
6
min Z 2x1 x2 0x3 0x4 0x5
相应旳目旳函数值Z也将随之降低。所以有可能找到一种 新旳基本可行解，使其目旳函数值有所改善。即进行基变
换，换一种与它相邻旳基。再注意到 x1 前旳系数－2比 x2
x3
6 x1 x1
2x2 x2
x4 x5
xi 0
i 1,,5
15 24 5
目前可行基{ x3, x4 , x5 }所相应旳基本可行解
X 0 (0,0,15,24,5)T
(相应可行域旳 o(0,0) )
显然不是最优。 因为从经济意义上讲， x1 0, x2 0
意味着该厂不安排生产，所以没有利润。
2
16
三、其他解旳情况 1、无穷多种解 例2 解LP问题：
min Z x1 2 x2 x3 0 x4 0 x5
xx51
1 2c 5 3c
其中c是满足非负性旳任意常数。
21
再由
x1,
x5
旳非负性，知：
x1 x2
1 2c c
0 0
x5 5 3c 0
解出 0 c 5 3
最优解为：
(2c 1, c,0,0,5 3c)T （其中0 c 5 ）
3
最优值为：max S 1.
22
2、无最优解旳两种情况：
相应地，将 X 0代入目的函数得 Z ( X 0 ) 0
从数学角度看，若让非基变量 x1, x2 取值从零增长，
6
min Z 2x1 x2 0x3 0x4 0x5
相应旳目旳函数值Z也将随之降低。所以有可能找到一种 新旳基本可行解，使其目旳函数值有所改善。即进行基变
换，换一种与它相邻旳基。再注意到 x1 前旳系数－2比 x2
x3
6 x1 x1
2x2 x2
x4 x5
xi 0
i 1,,5
15 24 5
目前可行基{ x3, x4 , x5 }所相应旳基本可行解
X 0 (0,0,15,24,5)T
(相应可行域旳 o(0,0) )
显然不是最优。 因为从经济意义上讲， x1 0, x2 0
意味着该厂不安排生产，所以没有利润。
2
运筹学单纯形法各个步骤详解
运筹学单纯形法各个步骤详解1. 引言大家好，今天咱们来聊聊一个听起来有点高深莫测，但其实特别有意思的东西——运筹学的单纯形法。
别看它名字复杂，其实它就是解决线性规划问题的绝招，像一把钥匙，打开了优化的宝藏。
想象一下，如果你有一大堆资源，要把它们分配到不同的地方，听起来就像玩拼图一样。
好了，废话不多说，咱们直接进入正题！2. 单纯形法的基本概念2.1 线性规划的起源首先，线性规划是啥？简单来说，它就是在一系列限制条件下，想要最大化或最小化某个目标函数。
这听起来像是在做一场抉择，你得在各种选择中找到最优解。
有点像在超市里，看到一堆零食，犹豫不决，最后只能选那包最爱吃的，既美味又划算。
2.2 单纯形法的基本思路而单纯形法就是解决这个问题的武器。
它的核心思想很简单，跟追求完美一样，咱们要一步步地朝着最优解迈进。
想象你在爬山，每一步都在找那个最容易走的路，直到你站在山顶，俯瞰整个美景，啊，真是太棒了！3. 单纯形法的步骤3.1 初始化那么，怎么开始呢？首先，咱们得把问题转化为标准形式。
这就像把一个繁杂的图案简化成几何图形，让它看起来更清晰。
要把不等式转换为等式，添加松弛变量，这样就可以把问题整理得干干净净。
3.2 构建初始单纯形表接下来，咱们构建初始单纯形表。
这个表就像一本菜单，上面列出了所有可能的选择和它们的成本。
每个变量都有自己的“价格”，而咱们的目标就是尽量少花钱，最大化收益。
想想你逛街时，总是想着要花最少的钱买到最好的东西，嘿，这就是单纯形法的精神！3.3 寻找基变量和入基变量然后，咱们得找出“基变量”和“入基变量”。
基变量就像在舞台上表演的演员，而入基变量就是准备加入的“新人”。
在这个过程中，咱们得判断哪个新人能让整个表演更精彩。
如果找对了，舞台瞬间就能变得熠熠生辉，若是找错了，哎呀，那可就尴尬了。
3.4 更新单纯形表一旦找到了合适的入基变量，咱们就得更新单纯形表。
这一步就像在调味，添加新的元素，让整体味道更加丰富。
5.1单纯形法的基本思路和原理
24
§1
单纯形法的基本思路和原理
这时目标函数值为 50x1+100x2=50×0+100×250=25 000 显然比初始基本可行解 x1=0，x2=0，s1=300，s2=400， s3=250 时的目标函数值为 0 要好得多。 下面再重新检验其解的最优性，若不是最优解还要 继续进行基变换，直至找到最优解，或者能够判断出 线性规划无最优解为止。
b1 300 300, a12 1 b3 250 b2 400 400, 250 a22 1 a32 1
23
§1
b3 此时a32
单纯形法的基本思路和原理
最小，从而对应原基变量中 s3 为出基变
量，变换为 x2，s1，s2 为基变量，x1，s3 为非基变量。 令非基变量为零，得 x2 + s1 = 300， x2 + s2 = 400， x2 = 250. 求解得到新的基本可行解 x1=0，x2=250，s1=50，s2=150，s3=0.
25
一、找出一个初始基本可行解 下面通过第二章例1的求解来介绍单纯形法。 在加上松弛变量之后得到此线性规划的标准形式。 目标函数：max 50x1+100x2
约束条件：x1+x2+s1=300，
2x1+x2+s2=400， x2+s3=250， xi ≥0（i=1,2），sj≥0（j=1,2,3）。
5
§1
20
§1
单纯形法的基本思路和原理
如何在求解以前来确定 出基变量，使得求出的 解是可行解？
21
§1
单纯形法的基本思路和原理
确定出基变量的方法如下： 把已确定的入基变量在各约束方程中的正系数除 其所在约束方程中的常数项，把最小比值所在的约束 方程中的原基变量确定为出基变量。 在下一步迭代的矩阵变换中可以确保新得到的 bj 值都≥0。
§1
单纯形法的基本思路和原理
这时目标函数值为 50x1+100x2=50×0+100×250=25 000 显然比初始基本可行解 x1=0，x2=0，s1=300，s2=400， s3=250 时的目标函数值为 0 要好得多。 下面再重新检验其解的最优性，若不是最优解还要 继续进行基变换，直至找到最优解，或者能够判断出 线性规划无最优解为止。
b1 300 300, a12 1 b3 250 b2 400 400, 250 a22 1 a32 1
23
§1
b3 此时a32
单纯形法的基本思路和原理
最小，从而对应原基变量中 s3 为出基变
量，变换为 x2，s1，s2 为基变量，x1，s3 为非基变量。 令非基变量为零，得 x2 + s1 = 300， x2 + s2 = 400， x2 = 250. 求解得到新的基本可行解 x1=0，x2=250，s1=50，s2=150，s3=0.
25
一、找出一个初始基本可行解 下面通过第二章例1的求解来介绍单纯形法。 在加上松弛变量之后得到此线性规划的标准形式。 目标函数：max 50x1+100x2
约束条件：x1+x2+s1=300，
2x1+x2+s2=400， x2+s3=250， xi ≥0（i=1,2），sj≥0（j=1,2,3）。
5
§1
20
§1
单纯形法的基本思路和原理
如何在求解以前来确定 出基变量，使得求出的 解是可行解？
21
§1
单纯形法的基本思路和原理
确定出基变量的方法如下： 把已确定的入基变量在各约束方程中的正系数除 其所在约束方程中的常数项，把最小比值所在的约束 方程中的原基变量确定为出基变量。 在下一步迭代的矩阵变换中可以确保新得到的 bj 值都≥0。
运筹学第2章 单纯形法
所有检验数 j 0 ，则这个基本可行解是最优解。
n
z z0 j x j
j m 1
m
j ciaij c j =CTBa j c j
i 1
m
m
z0 c j x j = cibi =CBT b
j 1
i 1
✓对于求目标函数最小值的情况，只需 σj≤0
0
XB
b
x1
-1 x5 0
0
0 x4 3
1
-3 0
0
00
x2
x3
x4
0
-2 0
2
-2 1
0 10
-1 bi/aik
x5
1
0
0
29 2020/3/4
2、无界解
在求目标函数最大值的问题中，所谓无界解是指在约束条件 下目标函数值可以取任意的大。
•存在着一个小于零的检验数，并且该列的系数向量的每个元素 都小于或等于零，则此线性规划问题是无界的，一般地说此类
2x1 x2 x3 x5 2
s.t. x1 2x2
x4
3
x1,
x2 , x3, x4 , x5 0
✓添加人工变量x5来人为的创造一个单位矩阵作为基 ✓M叫做罚因子，任意大的数。 ✓人工变量只能取零值。必须把x5从基变量中换出去，否 则无解。
cj
3
2
00
CB XB
2020/3/4
14
(2)出基变量和主元的确定——最小比值规则
min
bi aik
aik
0
bl alk
确定出基变量的方法：把已确定的入基变量在各约束方程中的正的系数
运筹学 单纯形法的迭代原理讲解
运筹学单纯形法的迭代原理讲解
单纯形法是一种用于解决线性规划问题的常用方法，其基本思想是通过迭代的方式逐步接近最优解。
下面是单纯形法的迭代原理的讲解：
1. 初始解的选择：首先需要选择一个初始解，通常选择的方法是构造一个基可行解，即使所有的约束条件都满足的解。
2. 判断最优性：在每一次迭代中，需要判断当前解是否为最优解。
首先，计算当前解对应的目标函数值。
然后，检查是否存在非基变量的系数大于等于0（对于最小化问题）或者小于等于0（对于最大化问题），如果存在这样的非基变量，则当前解不是最优解；如果不存在这样的非基变量，则当前解是最优解。
3. 生成新解：如果当前解不是最优解，则需要生成新的解。
首先，选择一个非基变量，使得目标函数的值可以通过增加（对于最小化问题）或减少（对于最大化问题）该变量的值来改善。
然后，需要计算这个非基变量能够增加或减少的最大量，称为变量的进步长度。
最后，通过调整基变量的值来生成新的解。
4. 更新目标函数和约束条件：在生成新解之后，需要更新目标函数和约束条件，以便于下一次迭代。
具体操作包括计算新解对应的目标函数值，计算新解对应的约束条件的值，调整目标函数和约束条件的系数。
5. 重复迭代：根据判断最优性的结果，进行下一次迭代。
如果当前解是最优解，
则算法结束；否则，继续进行下一次迭代。
通过不断重复这一迭代过程，直到找到最优解或者确定问题无解为止。
单纯形法的迭代过程一般会在有限次数内结束，并且能够得到最优解。
运筹学02-单纯形法
反之，若经过迭代，不能把人工变量都变
为非基变量，则表明原LP问题无可行解。
19
第2章
单纯形法
2.3 人工变量法
2.3.1 大M法
在原问题的目标函数中添上全部人工变量，并令其系数 都为-M，
而M是一个充分大的正数。即
max z = c1x1 + c2x2 + c3x3 + … + cnxn – M( xn+1 + xn+2 +…+ xn+m )
思路：由一个基本可行解转化为另一个基本可行解。 等价改写为 目标方程 max z max z = 3x1+5x2 z -3x1 -5x2 = 0 z -3x1 -5x2 x1 +x3 x1 +x3 = 8 2x2 +x4 2x2 +x4 = 12 s.t. s.t. 3x1+4x2 +x5 3x1 + 4x2 +x5 = 36 x1 ， x2 ，x3，x4，x5 x1 ， x2 ，x3，x4，x5 ≥ 0
以主列中正值元素为分母，同行右端常数为分子，求比值；
6
第2章
单纯形法
2.1 单纯形法的基本思想
(Ⅰ)
用换基运算 将X0 转化为 另一个基本 可行解 X1。
z- 3x1 -5x2 = 0 0 换基运算—— x1 +x3 = 8 ① 方程组的初等变换 目的是把主列变为 22x2 +x4 = 12 ② 单位向量：主元变 3x1 + 4x2 +x5 = 36 ③ 为1，其余变为0。 X0 = ( 0, 0, 8, 12, 36 )T z0 = 0
⑴ 当前基：m阶排列阵
- 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)。
令这个基的非基变量 x1, x2 为零, 这时约束方程就变为基变量 即: 0 x2 s1 300 1 1 1 0 0 x2 300 2 1 0 1 0 s1 400 x2 400 0 1 0 0 1 0 x s 250 250 s 2 3 3 求解,即可得到基变量的唯一一组解: x2= 400 , s1= -100 , s3= -150 加上非基变量: x1= 0, s2 = 1 单纯形法的基本思路和原理
基解： 在约束方程组（E）中，令所有的非基变量：
xm1 xm2 xn 0
又因为有
B 0 ，根据克莱姆法则，由m个约束方程可以解
出m个基变量的唯一解 X b x1 ,, xm T 。将这个解加上非
基变量取0的值有 X x ,, x ,0,,0T ，称X为线性规划问 b 1 m 题的基解。
例：找出下述线性规划问题的全部基解，指出其中 的基可行解，并确定最优解：
max
z = 2 x1 + 3 x2 + x3 x1 + x3 = 5 x1 +2x2 +x4 =10 x2 +x5=4 x1-5 ≥ 0
A ( p1 , p2 , p3 , p4 , p5 ) 2 1 0 1 0 . Ｂ中的每一个列向量p3, p4, p5 是基向量，与其对 0 1 0 0 1
§5.1 单纯形法的基本思路和原理
基： 设Ａ为约束方程组（Ｆ）的m×n阶系数矩阵，（设n＞m）， 其秩为m，Ｂ是矩阵Ａ中的一个m×m的满秩子矩阵，称Ｂ 是线性规划问题的一个基．不失一般性，设
Ｂ中的每一个列向量Ｐj（j＝１，…，m）称为基向量，与基向 量Ｐj对应的变量xj称为基变量。线性规划中除了基变量以外的变 量称为非基变量。
§5.1 单纯形法的基本思路和原理
标准形式为: 目标函数：max z = 50x1+100x2+0s1+0s2+0s3 约束条件： x1 + x2 +s1 = 300 2x1 + x2 +s2 = 400 x2 +s3 = 250 x1, x2, s1, s2, s3≥0。 这是由三个五元线性方程组成的方程组，它的系数矩阵为:
的约束方程:
x1= 0, x2= 400, s1= -100, s2= 0, s3= -150,
矩阵方程 AX = b
1 1 1 0 2 1 0 1 0 1 0 0
1 B2 0 0
我们找到A 的一个基:
x1 0 x2 300 0 s1 400 1 s2 250 s 3 0 0 1 0 0 1
可行解： 满足上述约束条件（Ｆ），（Ｇ）的解
(j=1,…，n)
X x1 ,, xn
T
，
称为线性规划问题的可行解．全部可行解的集合称为可行域．
§5.1 单纯形法的基本思路和原理
线性规划问题
m ax z
c
j 1
n
j
x j (i=1,…，m)
(Ｅ) (Ｆ) (Ｇ)
n a ij x j bi j 1 x 0 j
在此例题中：
1 1 2 1 0 1 1 0 0 1 0 0 0 1 0 0 0 1
1 1 0 1 0 0 1 0 1
都是该线性规划的一个基。 这些基都是由3个线性无关的系数列向量组成的,对应的基变量
分别为 x1 , x2 , s1 ; s1, s2, s3; x2 ,s1,s2。
令这个基的非基变量 x1, x2 为零, 这时约束方程就变为基变量 即: 0 s1 300 1 1 1 0 0 0 300 2 1 0 1 0 s1 400 s2 400 0 1 0 0 1 s2 s 250 250 s 3 3 求解,即可得到基变量的唯一一组解: s1=300 , s2=-400 , s3=250 加上非基变量: x1= 0, x2 = 0, 得到此线性规划的一个基解.
0 p5 0 . 1
是线性独立的,这些向量构成一个基
1 0 0 这是由三个五元线性方程组成的方程组，它的系数矩阵为: B p3 , p4 , p5 0 1 0 1 1 1 0 0 0 0 1
应的变量s1, s2, s3是基变量。除了基变量以外的变量x1, x2是非基变量。
1 1 1 0 0 A ( p1 , p2 , p3 , p4 , p5 ) 2 1 0 1 0 . 0 1 0 0 1
§5.1 单纯形法的基本思路和原理
可以看到 s1, s2, s3的系数列向量
1 p3 0 . 0
0 p4 1 . 0
(j=1,…，n)
基可行解：
满足变量非负约束条件 ( G ) 的基解称为基可行解。
可行基： 对应于基可行解的基称为可行基。
矩阵方程 AX = b 1 1 1 0
2 1 0 1 0 1 0 0
1 B3 1 1
我们找到A 的一个基:
x1 0 x2 300 0 s1 400 1 s2 250 s 3 1 0 0 0 0 1
广泛应用的线性规划的代数算法
－－单纯形法，这恐怕是在运筹
学发展史上最辉煌的一笔。
第五章 单纯形法
5.1 单纯形法的基本思路和原理
§5.1 单纯形法的基本思路和原理
线性规划问题
m ax z
c
j 1
n
j
x j (i=1,…，m)
(Ｅ) (Ｆ) (Ｇ)
n a ij x j bi j 1 x 0 j
们之间的主要区别在于其所有变量的解是否满足非负的条件。
§5.1 单纯形法的基本思路和原理
定理:
线性规划问题的基可行解 X 对应线性规划问题可行域
的顶点.
在这里，可行域的顶点已不再像图解法中那样直接可见
了。在单纯形法中的可行域的顶点叫做基可行解，第一 个找到的可行域的顶点叫做初始基可行解。
§5.1 单纯形法的基本思路和原理
的约束方程:
x1=0, x2=0, s1=300
s2=400
s3=250
§5.1 单纯形法的基本思路和原理
基解： 在约束方程组（E）中，令所有的非基变量：
xm1 xm2 xn 0
又因为有
B 0 ，根据克莱姆法则，由m个约束方程可以解
出m个基变量的唯一解 X b x1 ,, xm T 。将这个解加上非
令这个基的非基变量 x1, s2 为零, 这时约束方程就变为基变量 即: 0 x2 s1 300 1 1 1 0 0 x2 300 2 1 0 1 0 s1 400 x1=0, x2 400 0 1 0 0 1 0 x s 250 250 x2=400 s 2 3 3 求解,即可得到基变量的唯一一组解: x2= 400 , s1= -100 , s3= -150 s1=-100 加上非基变量: x1= 0, s2 = 0, 得到此线性规划的一个基解.
可行基
1 1 0 B3 1 0 0 1 0 1
不是可行基
均为基
§5.1 单纯形法的基本思路和原理
由于在这个基解中s1＝－100，s3＝－150，不满足该线 性规划最后一个变量非负的约束条件，显然不是此线性规划
的可行解，一个基解可以是可行解，也可以是非可行解，它
令这个基的非基变量 x1, x2 为零, 这时约束方程就变为基变量 即: 0 s1 300 1 1 1 0 0 0 300 2 1 0 1 0 s1 400 s2 400 0 1 0 0 1 s2 s 250 250 s 3 3 求解,即可得到基变量的唯一一组解: s1=300 , s2=-400 , s3=250 加上非基变量: x1= 0, x2 = 0, 得到此线性规划的一个基解.
矩阵方程 AX = b
1 1 1 0 2 1 0 1 0 1 0 0
1 B3 1 1
我们找到A 的一个基:
x1 0 x2 300 0 s1 400 1 s2 250 s 3 1 0 0 0 0 1
a11 a1m B P , , Pm 1 am1 amm
Ｂ中的每一个列向量Ｐj（j＝１，…，m）称为基向量，与基向 量Ｐj对应的变量xj称为基变量。线性规划中除了基变量以外的变 量称为非基变量。
1 1 1 0 0 A ( p1 , p2 , p3 , p4 , p5 ) 2 1 0 1 0 . 0 1 0 0 1
最优解：
(j=1,…，n)
使目标函数（Ｅ）达到最大值的可行解称为最优解．
§5.1 单纯形法的基本思路和原理
基： 设Ａ为约束方程组（Ｆ）的m×n阶系数矩阵，（设n＞m）， 其秩为m，Ｂ是矩阵Ａ中的一个m×m的满秩子矩阵，称Ｂ 是线性规划问题的一个基．不失一般性，设
a11 a1m B P , , Pm 1 am1 amm
的约束方程:
x1=0, x2=0, s1=300
s2=400
s3=250
x1=0, x2=0, s1=300 s2=400 s3=250
x1= 0, x2= 400, s1= -100, s2= 0, s3= -150, 均为基解