Главная Случайная страница Контакты | Мы поможем в написании вашей работы! | ||
|
Теперь можно сделать уравнение г/, + 2у2 + у3 = 2 однородным, умножив его правую часть на (г/, + у2 + у3 + у4)/5, поскольку последнее соотношение равно 1. Таким образом, после приведения подобных членов получаем
3У1+8у2 + 3Уз-2у4 = 0.
Чтобы преобразовать равенство ух + у2 + у3 + у4=Ъ в уравнение, определяющее симплекс, введем новые переменные хх = yjb, / = 1,2, 3, 4. Получаем следующую задачу ЛП.
Максимизировать z = 5дг, + 5дг2
при ограничениях
3^ + 8х2 + Злг3 - 2х4 = О, х, + х2 + х3 + х4 = 1, х>0, i = l,2, 3, 4.
Теперь обеспечим выполнение условия, что точка Х = (1/л, 1/п, 1/п), являющаяся центром (барицентром) симплекса, будет удовлетворять однородному уравнению. Для этого от левой части каждого однородного уравнения отнимем искусственную переменную с коэффициентом, равным алгебраической сумме всех коэффициентов левой части уравнения (в данном случае имеем 3+8+3-2 = 12). Эта искусственная переменная также прибавляется к уравнению симплекса и в виде штрафа появляется в выражении целевой функции. В нашем примере искусственная переменная хь войдет в задачу ЛП следующим образом.
Максимизировать z = Ьх, + Ьх2 - Мхь
при ограничениях
Зхх + 8хг + Злг3 - 2х4 - 12хъ = О, *,>(),/= 1,2.....5.
Для этой системы уравнений новый центр симплекса (1/5, 1/5, 1/5) является допустимым решением однородного уравнения. Значение константы М в выражении целевой функции должно быть достаточно большим, чтобы привести перемен- ную хь к нулевому значению (сравните с М-методом из раздела 3.4.1). _
Глава 7. Теория линейного программирования
Последний пример показывает, что любую задачу ЛП можно с помощью преобразований привести к виду, который необходим для выполнения алгоритма Кармаркара. Но эти преобразования громоздкие и неочевидные, поэтому их редко используют на практике. Существуют различные модификации алгоритма, которые не требуют обязательного выполнения второго условия (min г = 0).
Пример 7.7.2
Рассмотрим еще раз задачу из примера 7.7.1.
Максимизировать г=ух+у2
при ограничениях
Уг + 2уг<2,
Начнем с формулировки прямой и двойственной задач.
Прямая задача Двойственная задача
Максимизировать Уо = /1 + уг при ограничениях yi + 2у2 < 2,
Уь Уг 2 0.
Ограничения этих задач в стандартной форме запишутся так:
</, + 2</2 + 1/3 = 2,</з>0.
ш,-ш2 = 1,ш2>0. (1) Из условия оптимума у0 = w0 вытекает, что
yx+y2-2wx = 0. (2) Выбираем достаточно большое число М, чтобы выполнялось неравенство
y.+y^y. + w. + w^M. (3)
Теперь путем введения дополнительной переменной преобразуем неравенство (3) в равенство:
yi+y2 + y3 + wi + w2 + si=M<si*0- (4) Далее введем новую переменную s2 такую, что следующие два равенства, вытекающие из равенства (4), будут выполняться тогда и только тогда, когда s2 = 1.
</i + У г + Уз + wi + w2 + si - S2M = °>
y1 + y1 + ya + wl+w2 + sl+s2 = M + 1. (5)
При условии s2 = 1, что обусловливают равенства (5), ограничения (1) можно записать как
У, + 2у2 + уг-2з2 = 0.
wx-w2- ls2 = 0. (6)
Минимизировать щ = 2щ при ограничениях
w,>\ 1 2*,>lj
w, > 0.
7.7. Метод Кармаркара
Теперь определим новые переменные xv х2, х7 на основе соотношений
jf( = (M + l)i/,i=l12,3,
w
i-з
■ (М + 1)*., j = 4, 5,
Sl = (M+l)x6, s2 = (M + l)x7.
Подставляя последние выражения в равенства (2), (5) и (6), получим новые ограничения в виде равенств.
+ х0 - 2ха = О,
, + х2 + х3 + х4 + хь + хе - Мх7 = О, [ + хг + х3 + х4 + х5 + х6 + х7 = 1, + 2х2 + х3 - 2х7 = О, ■ х5 —~ х7 О,,£0,у«1,2, 7.
Теперь осталось ввести искусственную переменную х3 в левую часть каждого ограничения — эта переменная будет новой целевой функцией, которую следует минимизировать. Если прямая задача имеет допустимое решение, то минимум этой целевой функции будет равен нулю. Но алгоритм Кармаркара дополнительно требует, чтобы точка
х-(- 1111111
удовлетворяла системе АХ = 0. Это условие можно выполнить для однородной системы (т.е. для системы, у которой правые части уравнений равны нулю), если соответствующий коэффициент при искусственной переменной хе в любом уравнении систем будет равен сумме всех остальных коэффициентов этого уравнения. С учетом этого замечания получаем следующую преобразованную задачу ЛП.
Минимизировать z = xs
при ограничениях
х, + х2 - 2х4 - 0ха = О, х
+ 2х2 + х3 - 2х7 - 2xs =
- Мх7 - (6 - M)xg = О, х, + %гх, + х, - %гхч - zxs = О,
ОС ^ OCrj I ^) у
х, + х, + я, + х, + ли + X* + X, + ха = 1, *,><), у-1,2,...,8.
Отметим, что решение этой задачи дает оптимальные решения как прямой, так и двойственной задач.
Теперь опишем основные этапы алгоритма Кармаркара. На рис. 7.7, а показано типичное трехмерное пространство решений, определяемое однородной системой ограничений АХ = 0, состоящей из одного уравнения. В данном случае пространство решений совпадает с отрезком прямой АВ, лежащим внутри симплекса IX = 1, причем точка (1/3,1/3,1/3) является допустимой внутренней точкой пространства решений. Аналогично на рис. 7.7, б показано четырехмерное пространство решений (треугольник ABC), определяемое однородной системой ограничений, также состоящей из одного уравнения. В этом случае центром симплекса является точка (1/4, 1/4, 1/4, 1/4).
Глава 7. Теория линейного программирования
а) Трехмерное пространство решений
(О, 0, 0, 1)
(0,1,0,0)
б) Четырехмерное пространство решений Рис. 7.7. Трех- и четырехмерный симплексы
7.7. Метод Кармаркара
Принципиальная идея Кармаркара заключается в том, что вычисления начинаются с внутренней точки, соответствующей центру симплекса, далее в направлении проекции градиента определяется новая точка решения, которая должна быть строго внутренней, т.е. все ее координаты должны быть положительными. Это является необходимым условием сходимости алгоритма.
Чтобы новая точка решения была внутренней, она не должна выходить за пределы симплекса. (Это значит, что на рис. 7.7, а новая точка не может быть точкой А или В, а на рис. 7.7, б— не может совпадать с точками отрезков АВ, ВС и АС.) Для того чтобы определить такую точку, построим сферу, вписанную в симплекс. В л-мерном пространстве в правильный симплекс можно вписать сферу с максимальным радиусом г, равным \lsjn(n -1).5 Тогда пересечение сферы радиуса от (0 < а < 1) и пространства решений, определяемого системой АХ = 0, будет содержать только внутренние точки пространства решений с положительными координатами. В таком случае для определения новой точки решения можно перемещаться вдоль проекции градиента до тех пор, пока будем находиться внутри ограниченного пространства, являющегося пересечением шара радиуса аг и пространства, определяемого системой АХ = 0.
Новая точка решения не обязана быть центром симплекса. Поэтому, чтобы сделать алгоритм итерационным, необходимо найти способ перенести новую точку решения снова в центр симплекса. Для этого Кармаркар предложил оригинальную идею проективных преобразований. Пусть
xt
v,= ——, 1 = 1,2.....л,
где xkl — i-й элемент текущего решения, т.е. г-я координата текущей точки решения Xt. Такое преобразование правомерно, поскольку все xki > 0. Также отметим,
что по определению 1",у, = 1 (т.е. 1Y= 1). Это преобразование можно записать в
матричном виде
Y_ Р.'Х 1D/X'
где D,. — диагональная матрица, у которой i-й диагональный элемент равен хк1. Это преобразование осуществляет взаимно-однозначное отображение Х-пространства в У-пространство, поскольку нетрудно проверить, что из последней формулы следует
Х = ^
По определению min СХ = 0. Отсюда следует, что значение lDtY должно быть положительным. В таком случае исходная задача ЛП преобразуется в следующую.
Минимизировать z = CDtY
при ограничениях
ADkY = 0, 1Y-1, Y>0.
5 Здесь надо уточнить, что центр этой сферы находится в барицентре симплекса. Далее в этом разделе, не оговаривая этого явно, везде предполагается, что центры всех сфер совпадают с барицентром симплекса. — Прим. ред.
Глава 7. Теория линейного программирования
Преобразованная задача имеет тот же тип, что и исходная. Мы можем опять начать решение этой задачи с точки Y = (l/n, 1/п, 1/п), являющейся центром симплекса, и повторить действия, выполненные на предыдущем этапе. После каждой итерации на основании полученного Y-решения нетрудно вычислить значения исходных Х-переменных.
Теперь покажем, как определить новую точку решения для преобразованной задачи. На любой k-й итерации задача имеет следующий вид.
Минимизировать г = CDtY
при ограничениях
AD,Y = 0,
Y лежит в шаре радиуса аг.
Поскольку шар радиуса аг является частью пространства допустимых решений, определяемого ограничениями IX = 1, X > О, эти ограничения можно исключить из рассмотрения. Можно показать, что решение последней задачи вычисляется по следующей формуле
^новое ^текущее
ы
лить так: = (1/п, 1/п, 1/п), ср— проекция градиента, которую можно вычис-
с-р-рЧррУрксв/,
где Р = 1
Выбор параметра а — ключевой момент при построении алгоритма. Обычно а выбирается настолько большим, насколько это возможно, чтобы ускорить сходимость к оптимальному решению. Но при выборе слишком большого значения а можно "упереться" в запрещенную границу симплекса. В настоящее время не известно оптимальное значение а. Кармаркар предлагал использовать а = (п - 1)/Зл. Итак, алгоритм Кармаркара требует выполнения следующих этапов.
Этап О. Алгоритм начинается с точки Х0 = (1/п, 1/п, 1/п), вычисляются параметры г = — 1) и а = (п - 1)/Зп.
Основной этап к. Определяем
Dt = diag{x„......xj,
P =
I 1 J
и вычисляем
Y_-|IA
n n
IV, c.
1ЫГ
x4.,=
новое новое
где с= [I - РГ(РРГ)'P](CD/
7.7. Метод Кармаркара
Пример 7.7.3
Рассмотрим следующую задачу ЛП, которая уже приведена к форме, необходимой для выполнения алгоритма Кармаркара.
Минимизировать z = 2хх + 2х2 - Зх3
при ограничениях
*, - 2*2 + *з = °. хг + х2 + х3 = 1,
хх, х2, х3> 0.
Эта задача удовлетворяет всем условиям алгоритма Кармаркара, а именно точка X = (1/3, 1/3, 1/3) удовлетворяет уравнению х, - 2х2 + х3 = 0 и оптимальное значение целевой функции равно нулю (оптимальным решением является вектор (О, 0,6, 0,4)).
Итерация 0
с = (2, 2,-3), А = (-1,-2,3),
V 1 1 Ч 1 2
Мз'З'з} ' = а=9
= 0.33333,
D„ =
ЗУ |
Используя проективные преобразования, получаем У0: Итерация 1
III 3' 3' 3
cD0 = (2,2,-3)
'I 0 0Л
0 i о о о
ч
AD0= (-1,-2,3)
ЗУ
i О О
з
О I о
з
О 0 1
I _2
"з" 3'
(-- Л | |||
(1 | 1 1 | ||
-2 1 | |||
ч 1 | 1 1) | I1 и | |
ч |
i о
о
ч з/
'10 0^ | г | |
I - РГ(РРГ)'Р = | 0 I 0 | - |
,0 0 1, | ч |
1 1
1 о
Г- - О
3 3
U 1 U
Глава 7. Теория линейного программирования
_1_ 42 ' 25 -20 -5N -20 16 4 ч -5 4 1,
Отсюда получаем
с =[I-Pr(PP') P](CDk)7 = 42
25 -20 -5"l -20 16 4 -5 4 1
(i\ з
2 3 1
126 '25^ -20 V-5y
Далее находим
Hc„ll = J25:+(-20);+(-5)Ao,257172. 1262
ill] -2x'x—!_x^-x(25.-2a-5)r: 3 3 Ъ) 9 V6 0,257172 126 v '
= (0,263340, 0,389328, 0,347332)г.
Теперь найдем Xt D Y i Hi
V — 0 hohoc _ _2_
ID Y
"'О д новое
1d,yho»«= -0,1,1X0,263340,0,389328,0,347332)r =±
- = YH0BlK = (0,263340,0,389328,0,347332/,
z, =0,26334. Итерация 2
cD, =(2,2,-3)
AD, =(1,-2,
0,263340 0
0 0,389328 0 0 0 0,347332 = (0,526680,0,778656, -1,041996)
(0,263340 0
0 0.389328 0 0 0 0,347332 = (-0,263340, -0,778656,1,041996)
(ppT =
I - РГ(РРГ) 'p =
-0,26334 -0,778656 1,041996^ 1 1 1 J
'-0,263340 Л -0,778656 1 1,041996 1
0,567727 0 0 0,333333J
(\ | 0^ | ( | |
- | |||
,0 | к | V |
Г-0,263340 1 -0,778656 1 1,041996 1
0,567727 0 V-0.263340 -0,778656 1,041996^1
0 0,33333
I
7.7. Метод Кармаркара
(0,627296 -0,449746 -0,177550^ -0,449746 0,322451 0,127295 ч -0,177550 0,127295 0,050254
Далее вычисляем
C/l = [I-Pr(PPVP](CD/ =
' 0,627296 | -0,449746 | -0,177550' | ' 0,526680^ | ' 0,165193 N | |
-0,449746 | 0,322451 | 0,127295 | 0,778556 | = | -0,118435 |
v-0,177550 | 0,127295 | 0,050254 j | -1,041996 | -0,046757, |
Цс,, I = д/о, 165193- + (-0,118435)2 + (-0,046757)2 = 0,208571. Отсюда получаем
ч Т
1 1 IV 2
,3 З'З; 9 7б 0,208571 = (0,261479, 0,384849, 0,353671) Теперь для вычисления X, имеем
х (0,165193, -0,118435, -0,046757)7 =
'0,263340 | 0 \ | '0,261479s | '0,068858" | |||
0,389328 | 0,384849 | = | 0,149832 | |||
ч 0 | 0,347332, | ч0,35367 1, | 0,122841, |
1D,Y„,
ID Y
АЖЛ 1 новое
= 0,341531,
(0,201616^ 0,438707 0,359677
2 = 0,201615.
Выполнив еще один этап алгоритма, получим решение, которое будет еще ближе к оптимальному (0,0,6,0,4). Кармаркар предлагает дополнительный этап, который позволяет перейти от полученного решения к оптимальной крайней точке. К сожалению, мы не имеем возможности рассмотреть его здесь.
УПРАЖНЕНИЯ 7.7
1. С помощью программы TORA покажите, что решение преобразованной задачи ЛП, приведенной в конце примера 7.7.2, дает оптимальное решение прямой и двойственной исходных задач. (Совет. Положите М=10 и задайте точность не менее 5 десятичных знаков.)
2. Преобразуйте следующую задачу ЛП к виду, необходимому для применения метода Кармаркара.
Максимизировать z = yt + 2у2
при ограничениях
у,-у,£2,
2j/1+J/2<4,
Глава 7. Теория линейного программирования
3. Выполните еще одну итерацию в примере 7.7.3 и убедитесь, что полученное решение приблизится к оптимальному.
4. Выполните три итерации алгоритма Кармакара для решения следующей задачи.
Максимизировать z = 4x, + x3+xt
при ограничениях
-2хх + 2х2 + х3 - х4 = О,
+ х2 + х3 + х4 = 1, хх,х2, х3, х4>0.
5. Выполните три итерации алгоритма Кармаркара для решения следующей задачи ЛП.
Максимизировать г = 2хг + х2
при ограничениях
хх + х2< 4, х„ х2>0.
ЛИТЕРАТУРА
1. Bazaraa М., Jarvis J., Sherali М. Linear Programming and Network Flows, 2nd ed., Wiley, New York, 1990.
2. Hooker J. Karmarkar's Linear Programming Algorithm, Interfaces, Vol. 16, No. 4, pp. 75-90, 1986.
3. Nering E., Tucker A. Linear Programming and Related Problems, Academic Press, Boston, 1992.
Литература, добавленная при переводе
1. Ашманов С. А. Линейное программирование. — М.: Наука, 1981.
2. Голыитейн Е. Г. Теория двойственности в математическом программировании и ее приложения. — М.: Наука, 1971.
3. Голыитейн Е. Г., Юдин Д. Б. Линейное программирование: Теория, методы и приложения. — М.: Наука, 1969.
4. Крона Г. Исследование сложных систем по частям — диакоптика. — М.: Наука, 1972.
КОМПЛЕКСНЫЕ ЗАДАЧИ
7.1. Имеем координаты трех точек:
А - (6, 4, 6, -2), В = (4, 12, -4, 8) и С = (-4, 0, 8, 4).
Разработайте процедуру, которая позволяла бы определить, является ли данная точка выпуклой комбинацией заданных точек. С помощью этой процедуры проверьте, будут ли следующие точки выпуклыми комбинациями точек А, В и С.
а) (3,5,4,2),
б) (5,8,4,9).
Комплексные задачи
7.2. Рассмотрим следующую задачу ЛП.
Максимизировать г = Зхх + 2х2
при ограничениях
х, + 2х2 < 6, 2хх +х2<8, -хх+х2<1, хх, х2>0.
Найдите оптимальное решение этой задачи (можно применить программу TORA). Затем, используя информацию, представленную в симплекс-таблице с оптимальным решением, определите второе (по отношению к "абсолютному" оптимуму) наилучшее решение (т.е. крайнюю точку пространства решений). Проверьте ответ, решив эту задачу графически. (Подсказка. Искомая крайняя точка будет смежной с точкой, соответствующей оптимальному решению.)
7.3. Интервальное программирование. Рассмотрим следующую задачу ЛП.
Максимизировать z = {СХ | L < АХ < U, X > 0},
где L и U — вектор-столбцы констант. Определим вектор Y > 0, такой, что АХ + Y = U. Покажите, что исходная задача эквивалентна следующей.
Максимизировать z = {СХ |AX + Y= U,0<Y<U-L,X>0}. Используя показанный прием, решите следующую задачу ЛП.
Минимизировать z = 5хх - 4х2 + 6х,
при ограничениях
20 < хх + 1х2 + Зж3 < 46, 10 < Зх, - х2 + х3 < 20, 18< 2хх + Зх2-х3<35, хх,х2, х3>0.
7.4. Рассмотрим следующую целочисленную задачу ЛП, где переменные принимают только значения 0 и 1.
Минимизировать z = {СХ | АХ < b, X = (0, 1)}.
Предположим, что известна верхняя граница целевой функции zmili. Введем ограничение
min max {u(b - АХ) + (z,™ - СХ)} > О,
где ц> 0. Это ограничение не нарушает ни одного из ограничений исходной задачи. Покажите, что определение //из этого ограничения фактически сводится к решению исходной задачи ЛП. (Совет. В данном случае условие целочисленности X = [0, 1] эквивалентно "непрерывному" ограничению 0 < X < 1. Сформулируйте двойственную задачу.)
7.5. В задаче 7.2 оптимальным решением является хх = 10/3, х2 = 4/3 и г = 38/3. Как будет изменяться оптимальное значение целевой функции в зависимости от параметра 0, если положить хх = 10/3 + 0 (на параметр 0 не налагаются ограничения в знаке)?
Глава 7. Теория линейного программирования
Предположим, что оптимальное решение задачи ЛП представлено следующим образом.
Максимизировать z = с0 - ^ (г, - с;)х;
при ограничениях
х, = х' - ^ a,,xli 1 = 1. 2, т, все х. и х: > О,
где — множество индексов небазисных переменных. Предположим, что на текущую базисную переменную х, = х' налагается ограничение х. > dt, где
dt — наименьшее целое, большее х]. После введения этого ограничения
оцените верхнюю границу оптимального значения целевой функции. Повторите процедуру оценки верхней границы при наложении ограничения xt < et, где е, — наибольшее целое, меньше х".
Рассмотрим следующую задачу линейного программирования.
Минимизировать z = (10i - 4) x, + {At - 8) x2 при ограничениях
2xx + 2x2 + x3 = 8, Ax, + 2x2 + xt = 6-2t, xx, x2, х3, х4 ^ 0,
где -оо < t < оо. С помощью параметрического анализа получены следующие результаты:
при -оо < t < -5 оптимальный базис: В = (Р,, Р4), при -5 < t < -1 оптимальный базис: В = (Р,, Р2), при -1 < t < 2 оптимальный базис: В = (Р2, Р3).
Найдите все критические значения параметра t при t > 2.
ГЛАВА 8
ЦЕЛЕВОЕ ПРОГРАММИРОВАНИЕ
Модели линейного программирования, рассмотренные в предыдущих главах, предполагали оптимизацию только одной целевой функции. Но возможны ситуации, когда в модели присутствует несколько (возможно, конфликтующих между собой) целевых функций. Например, честолюбивый политик может пообещать уменьшение национального долга и, одновременно, снижение ставок налогов. В таких ситуациях иногда невозможно найти единственное решение, оптимизирующее все конфликтующие целевые функции. Поэтому нужно искать компромиссное решение, учитывающее "важность" каждой целевой функции.
В этой главе представлены методы целевого программирования (многокритериальной оптимизации)1 для решения задач линейного программирования с несколькими целевыми функциями. Основное назначение этих методов— преобразование исходной задачи с несколькими целевыми функциями в задачу ЛП с одной целевой функцией. После решения преобразованной задачи получаем так называемое эффективное решение, поскольку может не существовать оптимального решения, доставляющего оптимум всем частным целевым функциям исходной задачи.
8.1. ФОРМУЛИРОВКА ЗАДАЧИ ЦЕЛЕВОГО ПРОГРАММИРОВАНИЯ
Рассмотрим пример, приводящий к задаче целевого программирования.
Пример 8.1.1
Файрвилл — небольшой городок, в котором проживает около 20 тысяч жителей. Предположим, городской совет разрабатывает ставки местного налогообложения. Ежегодная база налогообложения недвижимости составляет 550 миллионов долларов. Ежегодная база налогообложения розничных и оптовых продаж составляет 35 и 55 миллионов долларов соответственно. Ежегодное потребление городом бензина оценивается в 7,5 миллионов галлонов. Городской совет планирует разработать систему налоговых ставок, основанную на перечисленных базах налогообложения и учитывающую следующие ограничения и требования.
1 Задачи целевого программирования являются только подклассом задач, решаемых методами многокритериальной оптимизации. Подходы и методы, применяемые в многокритериальной оптимизации, отнюдь не исчерпываются теми методами, которые описаны в этой главе (см. список литературы в конце главы). — Прим. ред.
Глава 8. Целевое программирование
1. Налоговые поступления должны составить не менее 16 миллионов долларов от всех баз налогообложения.
2. Налог с розничных продаж не может превышать 10% от суммы всех собираемых налогов.
3. Налог с оптовых продаж не может превышать 20% от суммы всех налогов.
4. Налог на бензин не может превышать 2 центов за галлон.
Обозначим через хн, хр и хо ставки налогов (выраженные десятичными дробями) на недвижимость, розничную и оптовую торговлю соответственно, а через хв — налог на бензин, выраженный в центах на галлон. Пожелания городского совета можно записать следующим образом.
550ад + 35хр + 55л0 + 0,075хв > 16 (суммарные налоговые поступления) 35хр < 0,1(550хи + 35лр + 55х0 + 0,075*,,) (налог на розничную торговлю) 55хс < 0,2(550хн + 35хр + ЬЪхо + 0,075х„) (налог на оптовую торговлю) хе < 2 (налог на бензин) *„> V хо, х6 > 0.
После упрощения получаем три ограничения.
550х„ + 35хр + ЪЬх0 + 0,075хб > 16, о5хн - 31,5хр + 5,5л:,, + 0,0075*,, > 0, 110лг„ + 7хр - 44*„ + 0,015дг9 > 0. хб<2,
*„> *Р> Хо> Хб * °-
Каждое из этих неравенств представляет одну из целей городского совета, которую желательно добиться. Но эти цели могут конфликтовать друг с другом, и в лучшем случае мы можем попытаться достичь какого-нибудь компромиссного решения.
Способ, которым в целевом программировании достигается компромиссное решение, заключается в следующем. Сначала каждое неравенство преобразуется в частную задачу, в рамках которой можно удовлетворить данное ограничение. В нашем случае эти частные задачи записываются так:
550х„ + 35хр + ЬЬх0 + 0,075хе + 5,+ - j" = 16, 55х„ - 31,5хр + 5,5х0 + 0,0075х„ + - s; = 0, 110х„ + 7хр - 44хо + 0,015хб + ^ - s'3 = 0.
*6 + S4 ~ S4 = 2.
хн,хр,хо,хв>0, s*, s~ >0, i=l,2, 3,4.
Неотрицательные переменные s* и s. называются отклоняющими, поскольку они
показывают отклонение значений левых частей ограничений от соответствующих величин правых частей этих же ограничений.
8.1. Формулировка задачи целевого программирования
Отклоняющие переменные и s. зависимы по определению, поэтому они обе одновременно не могут быть базисными. Это означает, что на любом этапе решения задачи одним из симплексных методов только одна из пары отклоняющих переменных может принимать положительное значение. Если исходное i-e ограничение является неравенством типа "<" и s* > 0, то это ограничение выполняется. Если же
s. > 0, то данное ограничение не выполняется. Таким образом, определенные значения отклоняющих переменных s* и j~ либо соответствуют i-e ограничению, либо
Дата публикования: 2014-11-18; Прочитано: 864 | Нарушение авторского права страницы | Мы поможем в написании вашей работы!