- •1.Основные понятия и этапы са
- •2. Операция и ее составляющие. Этапы исо
- •Этапы операционного проекта
- •Виды математических моделей ио, примеры.
- •4. Состязательные задачи. Решение игры 2-х лиц
- •7. Примеры задач лп: игра 2-х лиц как задача лп, транспортная задача
- •В общем случае модель задачи лп имеет вид
- •Сбалансированная транспортная задача
- •8 Формы представления задач лп и способы приведения к ним
- •1. Каноническая форма задач лп
- •2. Стандартная форма задачи лп
- •9. Основные понятия лп. Свойства задач лп
- •10. Геометрия задач лп, базисные решения, вырожденность.
- •4.7. Выделение вершин допустимого множества
- •11. Понятие базиса. Переход от одного базисного решения к другому
- •12. Признак оптимальности. Определение начального базисного решения.
- •13. Алгоритм симплекс-метода
- •14. Двойственность задач лп
- •4.11.1. Запись двойственной задачи в симметричном случае
- •4.11.3. Запись двойственной задачи в общем случае
- •15.Экономическая интерпретация двойственной задачи
- •16. Теоремы двойственности
- •17. Двойственный и модифицированный симплекс-метод Модифицированный алгоритм
- •18. Параметрический анализ. Параметрирование вектора ограничениий
- •Параметрирование вектора ограничениий
- •19. Параметрирование коэффициентов линейной формы
- •20. Модели транспортных задач и их характеристика, условия разрешимости.
- •Простейшая транспортная задача (т-задача)
- •Транспортная задача с ограниченными пропускными способностями (Td - задача)
- •Транспортные задачи по критерию времени
- •21. Построение начального плана перевозок т-задачи
- •5.2.1. Построение начального плана перевозок
- •Правило северо-западного угла
- •Правило минимального элемента.
- •22.Обоснование метода потенциалов
- •5.2.3. Признак оптимальности
- •23. Алгоритм метода потенциалов.
- •24. Двойственная пара транспортных задач
- •25. Метод потенциалов для Td-задачи
- •5.5. Решение задачи по критерию времени
- •26. Приведение открытой транспортной задачи к закрытой
- •27. Транспортные задачи в сетевой постановке (транспортные сети)
- •28. Задача о максимальном потоке
- •29. Метод декомпозиции Данцига - Вулфа
- •30. Решение транспортной задачи методом Данцига-Вулфа (метод декомпозиции тз)
- •32. Целочисленное программирование
- •7.1. Проблема целочисленности
- •33. Метод отсечений
- •Пример 7.1. Выведем условие отсечения для задачи
- •34. Метод ветвей и границ
- •35. Аддитивный алгоритм
- •36. Нелинейное программирование
- •Теорема
- •37. Квадратичное программирование
- •38. Сепарабельное программирование (сп) и дробно-линейное программирование
- •8.5. Задачи дробно-линейного программирования
- •39. Метод покоординатного спуска и Хука-Дживса Метод первого порядка
- •8.8. Многомерный поиск безусловного минимума
- •8.8.1. Метод Гаусса-Зейделя (покоординатного спуска)
- •Метод Хука-Дживса (метод конфигураций) Метод первого порядка
- •Метод Хука-Дживса (метод конфигураций)
- •40. Симплексный метод поиска
- •41. Градиентные методы
- •Методы сопряженных направлений
- •43. Методы случайного поиска
- •Алгоритм с возвратом при неудачном шаге
- •Алгоритм с обратным шагом
- •Алгоритм наилучшей пробы
- •Алгоритм статистического градиента
- •44. Метод проектирования градиента
- •Метод проектирования градиента
- •45. Генетические алгоритмы
- •46. Метод штрафных функций и барьерных функций
- •Метод барьерных функций
- •47. Динамическое программирование
- •48. Распределение одного вида ресурса
- •49. Дп: задачи о кратчайшем пути и с мультипликативным критерием
- •Задача с мультипликативным критерием.
- •52. Многомерные задачи динамического программирования
- •53. Снижение размерности с помощью множителей Лагранжа
- •56. Многокритериальные задачи: постановка, проблемы, осн. Понятия, методы
- •Многокритериальная задача математического программирования
- •Где искать оптимальное решение
- •Определения
- •Условия оптимальности
- •57. Многокритериальные задачи: функция полезности, лексикографический анализ
- •Методы первой группы
- •Функция полезности
- •Решение на основе лексикографического упорядочения критериев
- •58. Методы главного критерия, свертки, идеальной точки, целевого прогр. Метод главного критерия
- •Линейная свертка
- •Максиминная свертка
- •Метод идеальной точки
- •Целевое программирование (цп)
- •59. Диалоговые методы решения задач по многим критериям
- •Метод уступок
- •Интерактивное компромиссное программирование
- •Построить таблицу
4.7. Выделение вершин допустимого множества
Из последнего вывода возникает вопрос: как отличить вершины допустимого множества от других решений задачи? Для поиска ответа снова обратимся к геометрическим представлениям.
Пусть каноническая модель содержит переменных и m линейно-независимых равенств. Тогда размерность пространства переменных k= -m. Как показано выше (рис. 4.2), на каждой границе допутимого множества одна из переменных равна нулю. В k –мерном пространстве вершина образуется пересечением k гиперплоскостей. Поэтому в ней k переменных заведомо равны нулю и только m переменных могут быть ненулевыми, т.к. -k= - +m=m. Если из вершины сместиться в любом направлении, то число ненулевых переменных увеличвается. Так при сдвиге из вершины С (рис. 4.2) по ребру в сторону вершины В к ненулевым переменным добавлятся x4. В точках, не лежащих на границах условий, все переменные не равны нулю. Из линейной алгебры известно, что решение системы уравнений с рангом m содержит m базисных переменных и -m свободных (небазисных). Если все свободные переменные равны нулю, то решение называется базисным. Следовательно, каждой вершине множества D соответствует некоторое базисное решение системы равенств.
На самом деле в вершине могут пересекаться более k гиперплоскостей (на плоскости – больше двух прямых; в трехмерном пространстве, например, вершина не в основании пирамиды образуется пересечением плоскостей, число которых может быть больше 3-х – по числу вершин многоугольника в ее основании). Тогда в нуль обращается более k переменных. Такие базисные решения (вершины) называют вырожденными, и задачи, имеющие хотя бы одно вырожденное решение, также называют вырожденными. Число “лишних” плоскостей () определяет степень вырожденности. Поэтому в общем случае в базисном решении число ненулевых переменных равно m- и можно определить базисное решение как решение, в котором число ненулевых переменных не больше m. В любом другом решении таких переменных больше m.
Однако не каждое базисное решение соответствует вершине допустимого множества, так как пересечение k или более гиперплоскостей имеет место и вне этого множества. Это наглядно видно и на рис.4.2, где k =2. Учитывая, что на каждой границе одна переменная равна нулю, с одной стороны границы эта перемнная будет положитльной, а с другой отрицательной. В допустимом множестве все переменные неотрицательны. Таким образом, мы легко отделяем базисные решения, соотвтствующие вершинам множества D, от базисных решений, им не соответствующих. Базисное решение с неотрицательными переменными будем называть допустимым базисым решением или опорным планом (решением).
Вывод: оптимальное решение задачи ЛП следует искать среди опорных решений, геометрически – в вершинах (крайних точках) допустимого множества.
Так как число вершин всегда конечно, то, казалось бы, задача может быть легко решена путем исследования всех вершин. Оценим такую возможность.
Известно, что число базисных решений системы линейных уравнений с n переменными и рангом r определяется сочетанием
Из них примерно 40% опорных. Возьмем небольшую задачу ЛП: 10 неравенств с 10 переменными. В канонической форме будем иметь систему уравнений с 20 переменными и рангом r=10. Получаем 184756 базисных решений и, значит, порядка 70 тысяч вершин (опорных решений). Столько раз нужно вычислить координаты вершин и значение критерия, а затем сравнить. Если учесть, что реальные задачи содержат сотни и тысячи ограничений и переменных, то становится ясным, что такой способ решения неприемлем даже при самых мощных компьютерах. В таких случаях приходится обращаться к соответствующим методам решения линейных задач.