Lecture3——线性最优化（Linear Optimization）

本文主要是介绍Lecture3——线性最优化（Linear Optimization），希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

一，本文重点

线性最优化（LP）和标准线性最优化（Standard LP form）的定义
如何将LP转换为Standard LP
用Python解决LP问题
将非线性最优化问题（NLP）转换为LP

二，定义

1，线性最优化

定义

线性最优化问题，或者线性规划（linear programming,缩写：LP）是一个目标函数和所有限制函数（在决策变量中）都是线性的最优化问题。

注意：线性最优化是连续最优化的子集

普遍表达

一个LP问题通常可以写成如下模式：

m1,m2,m3是{1,...,m}的子集，n1,n2,n3是{1,...,n}的子集。

注意：最大化问题与之类似。

紧凑型表达

借助矩阵的知识，让形式更紧凑

在这里A1，A2，A3都是矩阵（维度为m1xn,m2xn,m3xn），b，d，e都是向量，变量x是维度为n的列向量。

2，标准形式（Standard LP form）

定义

标准型通常更系统和紧凑，在不同的课本中对标准形式的定义可能不同，在本系列采用如下形式。

x∈Rn，A是维度为m×n的矩阵， $b\in R^{m}$

三，将LP转换为Standard LP

1，说明

标准形式主要用于分析，平时解决问题只需要能够便于理解就行，但LP到Standard LP的转换技巧可以帮助我们分析和解决问题

2，技巧和步骤

（1）步骤

首先检查变量范围，Standard LP要求变量非负。
然后检查目标函数，将求最大转换为求最小
最后检查限制条件，将不等式转换为等式

（2）技巧（数学表达）

maxx c⊤x → minx −c⊤x
Ax ≤b →Ax+s =b,s ≥0
Ax ≥b →Ax−s =b,s ≥0
xi ≤ 0 →yi =−xi ≥0 free
xi → xi = x+ i −x− i ,x+ i ≥ 0,x− i ≥ 0

3，示例

转化为standard LP：

minimize -x1 -2x2

s.t x1 +s1 =100

2x2 +s2 =200

x1 + x2 +s3 =150

x1, x2, s1, s2, s3 >=0

四，用Python解决LP问题

1，方案

被用来解决最优化问题的语言有MATLAB，Python，Julia，而一个非常重要的库是CVX。课上教授用的多是MATLAB，不过笨人更习惯Python，所以会用Python来解决课程中的问题。学习步骤如下：

下载cvxpy（Python中的CVX）
学习如何使用
解决问题

2，示例

以前文的例子为例：

使用Python解决：

#import package
import cvxpy as cp#decision variable
x1=cp.Variable()
x2=cp.Variable()#constraint
consts=[x1<=100,2*x2<=200,x1+x2<=150,x1>=0,x2>=0]#construct problem
obj=cp.Maximize(x1+2*x2)
prob=cp.Problem(obj,consts)#output result
result=prob.solve()
x1_sol=x1.value
x2_sol=x2.valueprint("Best result:",result)
print("Best x1:",x1_sol)
print("Best x2:",x2_sol)'''
Output:
Best result: 249.99999997999043
Best x1: 49.99999998623639
Best x2: 99.99999999687702
'''