单纯形法步骤

原文地址：快速掌握单纯形法

一、标准型

1）目标函数统一为求极大值(或极小值)；

2）所有约束条件（除变量的非负条件外）必须都是等式，约束条件右端常数项(right-hand-side)b_i必须全为非负值SEO靠我；

3）所有变量的取值必须全为非负值。

 下面模型即为标准形式的展开型：

 二、转化

线性规划问题往往并非标准形式。

 这个过程包括四个部分的转换：

1. 目标函数的转换：

统一求极大值，若是求极小值，则可将下面的式子乘SEO靠我以（-1）。即：

     转化为：

2. 变量的转换：

（1）对于已经是大于等于零的变量 x_j ≥ 0 不做变化；

（2）对于小于等于零的变量 x_j，取负号令其变为大于等于零的变量，即若 x_j ≤ 0，则 定义新SEO靠我变量x_j = -x_j，x_j ≥ 0；

（3）若 x_j 取值无约束，可令两个新的非负变量x_j,  x_j,  然后用x_j = x_j - x_j替换原问题中的x_j。

3. 约束条件的右端项常数SEO靠我的转换：

b_i < 0 时，只需将等式或不等式两端同乘（-1）；

4. 约束条件的转换：

将所有不等式全部转换为等式：

对于“≤ ”型约束加入一个变量 x_s，x_s ≥ 0；

对于“≥ ”型约束则减去一个变SEO靠我量 x_s，x_s ≥ 0。

加到原约束条件中的变量，称为松弛变量，在实际问题中它表示未被充分利用的资源或缺少的资源，所以在引入模型后它们在目标函数中的系数均为零。

为了构造出初始基变量，约束条件还可能需SEO靠我要加上人工变量。人工变量最终必须等于0才能保持原问题性质不变。为保证人工变量为0，在目标函数中令其系数为M。M为无限大的正数，这是一个惩罚项，倘若人工变量不为零，则目标函数就永远达不到最优，所以必须将SEO靠我人工变量逐步从基变量中替换出去。如若到最终表中人工变量仍没有置换出去，那么这个问题就没有可行解，当然亦无最优解。

替换后的结果：

 注：x_4, x_5是将自由变量x_3转化为非负变量而引入的新变量，x_6SEO靠我, x_7是松弛变量，x_8, x_9是人工变量。

三、矩阵式

矩阵A如下式：

A为m×n矩阵。假设A的秩为m，即假设不存在冗余的约束条件，则m>n（应该是<？）时，因为方程数量比变量数目多，必定有多个可行SEO靠我解，即可利用单纯形法来计算最优解。

四、单纯形法的算法步骤

1. 确定初始可行基和初始基可行解，

    建立初始单纯形表；

2. 最优性检验    若在当前表的目标函数对应的行中，所有非基变量的系数非正，则可判断得到最优解（SEO靠我目标值不会再继续增大，不会出现更优解），可停止计算。否则转入下一步；

3. 若单纯形表中1至m列构成单位矩阵，在j=m+1至n列中，若有某个对应x_k的系数列向量 P_k ≤ 0，则此问题是无界，停止计算SEO靠我。否则，转入下一步；

4. 挑选目标函数对应行中系数最大的非基变量作为进基变量。假设x_k为进基变量，按θ规则[1]计算，可确定x_l为出基变量，转下一步；

5. 以a_lk为主元素进行迭代（即用高斯消去法或SEO靠我称为旋转运算），把x_k所对应的列向量进行变换[2]；

6. 重复2-5步，直到所有检验数非正后终止，得到最优解。

[1] θ规则

其中b_i是当前表中的右手项，a_ik即为在第i个约束中变量k的系数。（找SEO靠我最小值，防止待进基的变量值过大使得出基变量量为负）

[2] x_k列变换

五、例子

对于线性规划问题：

加入松弛变量，转化为标准形式得：

于是我们可以构造单纯形表，其中最后一行有星号的列为基变量。初始基可行解为SEO靠我(x_4, x_5, x_6, x_7)。

在单纯形表中，我们发现非基变量x的系数大于零，因此可以通过增加这些x的值，来使目标函数增加。

上表中c_2最大，因此我们选择x_2作为新的基变量。按照θ规则，xSEO靠我_7出基。通过高斯变换得到的新的单纯形表为：

继续计算，我们得到：

此时我们发现，所有非基变量的系数全部非正，即增大任何基变量的值并不能使得目标函数增大。于是我们可以断定该问题的最优解是z = 32, XSEO靠我 = (0, 1, 3, 0, 2, 0, 0).