什么是线性规划（Linear Programming，LP）？

目标函数为决策变量的线性函数，同时约束条件为线性等式或线性不等式约束。

线性规划的标准形式

非标准形LP模型转化为标准形LP模型

基本概念

基本解&基矩阵&基变量&非基变量

基本可行解&可行基矩阵&非退化的基本可行解&退化的基本可行解

基本可行解存在性

求基本可行解

求基本可行解<=>求极点<=>求可行基矩阵<=>$A_{m\ast n}$矩阵m个线性无关列

示例：求基本可行解

求最优解

方法一（暴力枚举）：求出所有基本可行解找最小

求出所有基本可行解（即求极点）。
代入目标函数找出最小极点（该最小极点即为最优解，因为最优解一定在极点取得）。

方法二（迭代）：从一个基本可行解跳转到一个目标函数值更小的基本可行解

多面体

多面体基本性质

多面体的极点

x若是极点，正分量对应的A的列一定线性无关。

示例：求极点

多面体S有多少个极点？- 有限个 & 最多$C_n^m$

最多有$C_n^m$个极点，一般都少于$C_n^m$，有两个原因。
原因1：从n个列中选出m列不一定线性无关。
原因2：即使这m列线性无关，其组成的B也不一定满足$B^{-1}b\ge 0$。

多面体的方向

多面体的极方向

多面体的极方向有多少个？- 有限个

示例：求极方向

d≥0

多面体分解定理

多面体分解定理有什么作用？

重新表示可行集

重新定义线性规划问题

为什么$\min \sum {\lambda }_i{C}^T{x}_i$等价于$\min C^T{x}_i,i=1,...,k$？

求$\min C^T{x}_i，i=1,...,k$，找到最小$x_r$就是最优值点，令$\min \sum {\lambda }_i{C}^T{x}_i$中${\lambda }_r=1$其他的λ都为0，$C^T{x}_r$就是最优值。

何时有最优解？

$C^T{d}_j\ge 0$时，存在最优解。

$C^T{d}_j<0$时，无解。

最优解是什么？

最优解一定在极点上取到。

$\min C^T{x}_i，i=1,...,k$，找到最小$x_r$就是最优值点，$C^T{x}_r$就是最优值。

单纯形法

基本思想

原理

实现基本可行基的转化

方法

从初始基本可行解出发，求一个改进的基本可行解。

1 确定出基变量和出基向量的下标

2 确定进基变量和进基向量的下标

3 确定进基变量的值

目标函数值只与非基变量有关。

终止条件

单纯形法计算步骤

单纯形法表格形式