WikiDer > Линейное программирование

Наглядное представление простой линейной программы с двумя переменными и шестью неравенствами. Множество возможных решений показано желтым цветом и образует многоугольник, двумерный многогранник. Линейная функция затрат представлена ​​красной линией и стрелкой: красная линия - это набор уровней функции стоимости, а стрелка указывает направление, в котором мы оптимизируем.

Замкнутая допустимая область задачи с тремя переменными - это выпуклая многогранник. Поверхности, дающие фиксированное значение целевой функции: самолеты (не показаны). Задача линейного программирования состоит в том, чтобы найти точку на многограннике, которая находится на плоскости с максимально возможным значением.

Линейное программирование (LP, также называется линейная оптимизация) - это метод достижения наилучшего результата (например, максимальной прибыли или минимальных затрат) в математическая модель требования которого представлены линейные отношения. Линейное программирование - это частный случай математического программирования (также известного как математическая оптимизация).

Более формально линейное программирование - это техника для оптимизация из линейный целевая функция, при условии линейное равенство и линейное неравенство ограничения. это возможный регион это выпуклый многогранник, который представляет собой набор, определяемый как пересечение конечного числа полупространства, каждое из которых определяется линейным неравенством. Его целевая функция - это настоящий-значен аффинная (линейная) функция на этом многограннике. Линейное программирование алгоритм находит точку в многогранник где эта функция имеет наименьшее (или наибольшее) значение, если такая точка существует.

Линейные программы - это проблемы, которые можно выразить в каноническая форма так как

${ displaystyle { begin {align} & { text {Maximize}} && mathbf {c} ^ { mathrm {T}} mathbf {x} & { text {при условии}} && A mathbf {x} leq mathbf {b} & { text {and}} && mathbf {x} geq mathbf {0} end {выровнено}}}$

где Икс представляет собой вектор переменных (предстоит определить), c и б находятся векторов (известных) коэффициентов, А является (известным) матрица коэффициентов и ${ Displaystyle ( cdot) ^ { mathrm {T}}}$ это матрица транспонировать. Выражение, которое нужно максимизировать или минимизировать, называется целевая функция (c^ТИкс в таком случае). Неравенства АИкс ≤ б и Икс ≥ 0 ограничения, которые определяют выпуклый многогранник над которым должна быть оптимизирована целевая функция. В этом контексте два вектора сопоставимый когда они имеют одинаковые размеры. Если каждая запись в первом меньше или равна соответствующей записи во втором, то можно сказать, что первый вектор меньше или равен второму вектору.

Линейное программирование может применяться в различных областях обучения. Он широко используется в математике и, в меньшей степени, в бизнесе, экономика, и для некоторых инженерных задач. Отрасли, в которых используются модели линейного программирования, включают транспорт, энергетику, телекоммуникации и производство. Он оказался полезным при моделировании различных типов проблем в планирование, маршрутизация, планирование, назначение, и дизайн.

История

Леонид Канторович

Джон фон Нейман

Проблема решения системы линейных неравенств восходит как минимум еще к Фурье, который в 1827 г. опубликовал метод их решения,^[1] и после кого метод Исключение Фурье – Моцкина. называется.

В 1939 г. формулировка задачи линейного программирования, эквивалентная общей задаче линейного программирования, была дана Советский математик и экономист Леонид Канторович, который также предложил способ ее решения.^[2] Так он развивался во время Вторая Мировая Война, чтобы планировать расходы и отдачу, чтобы снизить затраты армии и увеличить потери, нанесенные противнику.^{[нужна цитата]} Первоначально работа Канторовича игнорировалась в СССР.^[3] Примерно в то же время, что и Канторович, американский экономист голландского происхождения. Т. К. Купманс сформулировал классические экономические задачи в виде линейных программ. Канторович и Купманс позже разделили Нобелевская премия по экономике.^[1] В 1941 г. Фрэнк Лорен Хичкок также сформулировал транспортные задачи в виде линейных программ и дал решение, очень похожее на более поздние симплексный метод.^[2] Хичкок умер в 1957 году, и Нобелевская премия не присуждена посмертно.

В 1946–1947 гг. Джордж Б. Данциг независимо разработал общую формулировку линейного программирования для использования при решении задач планирования в ВВС США.^[4] В 1947 году Данциг также изобрел симплексный метод что впервые эффективно решает проблему линейного программирования в большинстве случаев.^[4] Когда Данциг устроил встречу с Джон фон Нейман чтобы обсудить свой симплексный метод, Нойман сразу же высказал гипотезу о теории двойственность понимая, что проблема, над которой он работал, теория игры был эквивалентен.^[4] Данциг представил формальное доказательство в неопубликованном отчете «Теорема о линейных неравенствах» 5 января 1948 года.^[3] Работа Данцига стала доступна публике в 1951 году. В послевоенные годы многие отрасли промышленности использовали ее в своем ежедневном планировании.

Оригинальный пример Данцига заключался в том, чтобы найти лучшее назначение из 70 человек на 70 рабочих мест. Вычислительная мощность, необходимая для тестирования всех перестановок для выбора наилучшего назначения, огромна; количество возможных конфигураций превышает количество частиц в наблюдаемая вселенная. Однако требуется всего лишь мгновение, чтобы найти оптимальное решение, поставив задачу в виде линейной программы и применив симплексный алгоритм. Теория линейного программирования резко сокращает количество возможных решений, которые необходимо проверить.

Впервые было показано, что задача линейного программирования разрешима за полиномиальное время с помощью Леонид Хачиян в 1979 г.^[5] но больший теоретический и практический прорыв в этой области произошел в 1984 г., когда Нарендра Кармаркар представил новый метод внутренней точки для решения задач линейного программирования.^[6]

Использует

Линейное программирование - широко используемая область оптимизации по нескольким причинам. Многие практические проблемы в исследование операций можно выразить в виде задач линейного программирования.^[3] Некоторые частные случаи линейного программирования, такие как сетевой поток проблемы и многопродуктовый поток проблемы считаются достаточно важными, чтобы провести много исследований специализированных алгоритмов их решения. Ряд алгоритмов для других типов задач оптимизации работают, решая задачи LP как подзадачи. Исторически идеи линейного программирования вдохновляли многие из центральных концепций теории оптимизации, такие как двойственность разложение и важность выпуклость и его обобщения. Точно так же линейное программирование активно использовалось на раннем этапе формирования микроэкономика и в настоящее время он используется в управлении компанией, например, в планировании, производстве, транспортировке, технологиях и других вопросах. Хотя современные проблемы управления постоянно меняются, большинство компаний хотели бы максимизировать прибыль и минимизировать затраты с ограниченными ресурсами. Поэтому многие проблемы можно охарактеризовать как задачи линейного программирования.

Стандартная форма

Стандартная форма это обычная и наиболее интуитивная форма описания задачи линейного программирования. Он состоит из следующих трех частей:

• А линейная функция для максимизации

например ${ displaystyle f (x_ {1}, x_ {2}) = c_ {1} x_ {1} + c_ {2} x_ {2}}$

• Ограничения проблемы следующего вида

например

${ displaystyle { begin {matrix} a_ {11} x_ {1} + a_ {12} x_ {2} & leq b_ {1} a_ {21} x_ {1} + a_ {22} x_ { 2} & leq b_ {2} a_ {31} x_ {1} + a_ {32} x_ {2} & leq b_ {3} end {matrix}}}$

• Неотрицательные переменные

например

${ displaystyle { begin {matrix} x_ {1} geq 0 x_ {2} geq 0 end {matrix}}}$

Проблема обычно выражается в матрица форма, а затем становится:

${ displaystyle max { mathbf {c} ^ { mathrm {T}} mathbf {x} ; | ; A mathbf {x} leq mathbf {b} land mathbf {x} geq 0 }}$

Другие формы, такие как задачи минимизации, проблемы с ограничениями на альтернативные формы, а также проблемы с отрицательными переменные всегда можно переписать в эквивалентную задачу в стандартной форме.

пример

Предположим, что у фермера есть участок сельскохозяйственной земли, скажем L км², для посадки пшеницы или ячменя или их комбинации. У фермера ограниченное количество удобрений, F килограммы, и пестициды, п килограммы. На каждый квадратный километр пшеницы требуется F₁ килограммы удобрений и п₁ килограммов пестицида, а на каждый квадратный километр ячменя требуется F₂ килограммы удобрений и п₂ килограммы пестицида. Давайте₁ быть продажной ценой пшеницы за квадратный километр, а S₂ цена продажи ячменя. Если обозначить площадь земель, засеянных пшеницей и ячменем, через Икс₁ и Икс₂ соответственно, то прибыль можно максимизировать, выбрав оптимальные значения для Икс₁ и Икс₂. Эта проблема может быть выражена следующей задачей линейного программирования в стандартной форме:

Максимизировать: ${ Displaystyle S_ {1} cdot x_ {1} + S_ {2} cdot x_ {2}}$		(максимизировать доход - доход - это "целевая функция")
При условии:	${ Displaystyle x_ {1} + x_ {2} leq L}$	(ограничение на общую площадь)
	${ Displaystyle F_ {1} cdot x_ {1} + F_ {2} cdot x_ {2} leq F}$	(ограничение на удобрения)
	${ Displaystyle P_ {1} cdot x_ {1} + P_ {2} cdot x_ {2} leq P}$	(ограничение по пестицидам)
	${ Displaystyle х_ {1} geq 0, x_ {2} geq 0}$	(нельзя засаживать отрицательную зону).

В матричной форме это становится:

максимизировать ${ displaystyle { begin {bmatrix} S_ {1} & S_ {2} end {bmatrix}} { begin {bmatrix} x_ {1} x_ {2} end {bmatrix}}}$

при условии ${ displaystyle { begin {bmatrix} 1 & 1 F_ {1} & F_ {2} P_ {1} & P_ {2} end {bmatrix}} { begin {bmatrix} x_ {1} x_ { 2} end {bmatrix}} leq { begin {bmatrix} L F P end {bmatrix}}, , { begin {bmatrix} x_ {1} x_ {2} end {bmatrix}} geq { begin {bmatrix} 0 0 end {bmatrix}}.}$

Расширенная форма (свободная форма)

Задачи линейного программирования можно преобразовать в дополненная форма для применения общей формы симплексный алгоритм. Эта форма вводит неотрицательные слабые переменные заменить неравенства равенствами в ограничениях. Затем проблемы можно записать в следующем блочная матрица форма:

Максимизировать ${ displaystyle z}$:

${ displaystyle { begin {bmatrix} 1 & - mathbf {c} ^ {T} & 0 0 & mathbf {A} & mathbf {I} end {bmatrix}} { begin {bmatrix} z ​​ mathbf {x} mathbf {s} end {bmatrix}} = { begin {bmatrix} 0 mathbf {b} end {bmatrix}}}$

${ Displaystyle mathbf {х} geq 0, mathbf {s} geq 0}$

где ${ displaystyle mathbf {s}}$ - это недавно введенные слабые переменные, ${ displaystyle mathbf {x}}$ - переменные решения, а ${ displaystyle z}$ - это переменная, которую нужно максимизировать.

пример

Приведенный выше пример преобразуется в следующую расширенную форму:

Максимизировать: ${ Displaystyle S_ {1} cdot x_ {1} + S_ {2} cdot x_ {2}}$		(целевая функция)
при условии:	${ displaystyle x_ {1} + x_ {2} + x_ {3} = L}$	(расширенное ограничение)
	${ Displaystyle F_ {1} cdot x_ {1} + F_ {2} cdot x_ {2} + x_ {4} = F}$	(расширенное ограничение)
	${ Displaystyle P_ {1} cdot x_ {1} + P_ {2} cdot x_ {2} + x_ {5} = P}$	(расширенное ограничение)
	${ displaystyle x_ {1}, x_ {2}, x_ {3}, x_ {4}, x_ {5} geq 0.}$

где ${ displaystyle x_ {3}, x_ {4}, x_ {5}}$ являются (неотрицательными) переменными резервов, представляющими в этом примере неиспользованную площадь, количество неиспользованных удобрений и количество неиспользованного пестицида.

В матричной форме это становится:

Максимизировать ${ displaystyle z}$:

${ displaystyle { begin {bmatrix} 1 & -S_ {1} & - S_ {2} & 0 & 0 & 0 0 & 1 & 1 & 1 & 1 & 0 & 0 0 & F_ {1} & F_ {2} & 0 & 1 & 0 0 & P_ {1} & P_ {2} & 0 & 0 & 1 конец {bmatrix}} { begin {bmatrix} z ​​ x_ {1} x_ {2} x_ {3} x_ {4} x_ {5} end {bmatrix}} = { begin {bmatrix} 0 L F P end {bmatrix}}, , { begin {bmatrix} x_ {1} x_ {2} x_ {3} x_ { 4} x_ {5} end {bmatrix}} geq 0.}$

Двойственность

Каждая задача линейного программирования, называемая первобытный проблема, может быть преобразована в двойная проблема, что дает оценку сверху оптимального значения прямой задачи. В матричной форме мы можем выразить первобытный проблема как:

Максимизировать c^ТИкс при условии АИкс ≤ б, Икс ≥ 0;

с соответствующими симметричный двойная проблема,

Свести к минимуму б^Ту при условии А^Ту ≥ c, у ≥ 0.

Альтернативная первичная формулировка:

Максимизировать c^ТИкс при условии АИкс ≤ б;

с соответствующими асимметричный двойная проблема,

Свести к минимуму б^Ту при условии А^Ту = c, у ≥ 0.

Есть две фундаментальные идеи теории двойственности. Во-первых, это тот факт, что (для симметричной дуальной) двойственной линейной программы является исходная прямая линейная программа. Кроме того, каждое допустимое решение линейной программы дает оценку оптимального значения целевой функции двойственной программы. В слабая двойственность Теорема утверждает, что значение целевой функции двойственного элемента в любом допустимом решении всегда больше или равно значению целевой функции двойного элемента в любом допустимом решении. В сильная двойственность Теорема утверждает, что если прямое имеет оптимальное решение, Икс^*, то двойственный также имеет оптимальное решение: у^*, и c^ТИкс^*=б^Ту^*.

Линейная программа также может быть неограниченной или невыполнимой. Теория двойственности говорит нам, что если прямое не ограничено, то двойственное невозможно по слабой теореме двойственности. Точно так же, если дуальное неограничено, тогда прямое должно быть недопустимым. Тем не менее, как двойственное, так и основное могут быть недопустимыми. Увидеть двойная линейная программа подробности и еще несколько примеров.

Вариации

Дуальности покрытия / упаковки

А покрытие LP представляет собой линейную программу вида:

Свести к минимуму: б^Ту,

при условии: А^Ту ≥ c, у ≥ 0,

такая, что матрица А и векторы б и c неотрицательны.

Двойник покрытия LP - это упаковка LP, линейная программа вида:

Максимизировать: c^ТИкс,

при условии: АИкс ≤ б, Икс ≥ 0,

такая, что матрица А и векторы б и c неотрицательны.

Примеры

Покрытие и упаковка LP обычно возникают как релаксация линейного программирования комбинаторной задачи и важны при изучении аппроксимационные алгоритмы.^[7] Например, ЛП-релаксации установить проблему упаковки, то проблема независимого множества, а проблема соответствия упаковывают LP. LP-релаксации установить проблему прикрытия, то проблема покрытия вершины, а проблема доминирующего набора также покрывают LP.

Нахождение фракционная окраска из график еще один пример покрывающей LP. В этом случае есть одно ограничение для каждой вершины графа и одна переменная для каждой независимый набор графа.

Дополнительная расслабленность

Можно получить оптимальное решение двойственной, когда известно только оптимальное решение прямой, используя дополнительную теорему о нерезкости. Теорема гласит:

Предположим, что Икс = (Икс₁, Икс₂, ... , Икс_п) является примитивно допустимым и что у = (у₁, у₂, ... , у_м) двойственно допустима. Позволять (ш₁, ш₂, ..., ш_м) обозначают соответствующие переменные прямого запаса, и пусть (z₁, z₂, ... , z_п) обозначают соответствующие двойственные переменные запаса. потом Икс и у оптимальны для соответствующих задач тогда и только тогда, когда

• Икс_j z_j = 0, для j = 1, 2, ... , п, и
• ш_я у_я = 0, для я = 1, 2, ... , м.

Так что если я-я переменная slack в примале не равна нулю, тогда я-я переменная двойника равна нулю. Аналогично, если j-я резервная переменная дуального не равна нулю, тогда j-я переменная примала равна нулю.

Это необходимое условие оптимальности выражает довольно простой экономический принцип. В стандартной форме (при максимизации), если есть резерв в ограниченном основном ресурсе (т.е. есть «остатки»), то дополнительные количества этого ресурса не должны иметь ценности. Аналогичным образом, если есть слабое место в требовании двойного (теневого) ограничения неотрицательности цены, то есть цена не равна нулю, то должны быть дефицитные запасы (без «остатков»).

Теория

Наличие оптимальных решений

Геометрически линейные ограничения определяют возможный регион, который является выпуклый многогранник. А линейная функция это выпуклая функция, что означает, что каждый местный минимум это глобальный минимум; аналогично линейная функция - это вогнутая функция, что означает, что каждый локальный максимум это глобальный максимум.

Оптимального решения не существует по двум причинам. Во-первых, если ограничения несовместимы, то приемлемого решения не существует: например, ограничения Икс ≥ 2 и Икс ≤ 1 не могут быть выполнены совместно; в этом случае мы говорим, что LP невыполнимый. Во-вторых, когда многогранник неограничен в направлении градиента целевой функции (где градиент целевой функции - это вектор коэффициентов целевой функции), то оптимальное значение не достигается, потому что всегда можно добиться большего, чем любое конечное значение целевой функции.

Оптимальные вершины (и лучи) многогранников

В противном случае, если допустимое решение существует и если набор ограничений ограничен, то оптимальное значение всегда достигается на границе набора ограничений с помощью принцип максимума для выпуклые функции (в качестве альтернативы минимум принцип для вогнутые функции), поскольку линейные функции одновременно выпуклые и вогнутые. Однако у некоторых проблем есть четкие оптимальные решения; например, проблема нахождения допустимого решения системы линейных неравенств представляет собой задачу линейного программирования, в которой целевая функция является нулевой функцией (то есть постоянной функцией, принимающей значение ноль всюду). Для этой проблемы выполнимости с нулевой функцией для ее целевой функции, если есть два различных решения, то каждая выпуклая комбинация решений является решением.

Вершины многогранника также называются основные возможные решения. Причина такого выбора имени заключается в следующем. Позволять d обозначают количество переменных. Тогда из фундаментальной теоремы линейных неравенств следует (для возможных задач), что для каждой вершины Икс^* допустимой области ЛП существует набор d (или меньше) ограничений-неравенств из LP, таких что, когда мы обрабатываем эти d ограничений как равенств, единственное решение Икс^*. Таким образом, мы можем изучать эти вершины, рассматривая определенные подмножества множества всех ограничений (дискретный набор), а не континуум решений ЛП. Этот принцип лежит в основе симплексный алгоритм для решения линейных программ.

Алгоритмы

В задаче линейного программирования серия линейных ограничений дает выпуклый возможный регион возможных значений этих переменных. В случае двух переменных эта область имеет форму выпуклой простой многоугольник.

Базовые алгоритмы обмена

Симплексный алгоритм Данцига

В симплексный алгоритм, разработан Джордж Данциг в 1947 г. решает задачи ЛП путем построения допустимого решения в вершине многогранник и затем идти по пути по краям многогранника к вершинам с неубывающими значениями целевой функции, пока не будет точно достигнут оптимум. Во многих практических задачах "торможение"происходит: многие повороты выполняются без увеличения целевой функции.^[8][9] В редких практических задачах обычные версии симплексного алгоритма могут фактически «зацикливаться».^[9] Чтобы избежать циклов, исследователи разработали новые правила поворота.^{[10][11][8][9][12][13]}

На практике симплекс алгоритм довольно эффективен и может гарантировать достижение глобального оптимума, если принять определенные меры против кататься на велосипеде принимаются. Доказано, что симплексный алгоритм эффективно решает "случайные" задачи, т.е. за кубическое число шагов,^[14] что похоже на его поведение при решении практических задач.^[8][15]

Однако симплексный алгоритм имеет плохое поведение в худшем случае: Кли и Минти построили семейство задач линейного программирования, для которых симплексный метод выполняет ряд шагов, экспоненциально зависящих от размера задачи.^[8][11][12] Фактически, какое-то время было неизвестно, разрешима ли задача линейного программирования в полиномиальное время, т.е. класс сложности P.

Перекрестный алгоритм

Подобно симплексному алгоритму Данцига, перекрестный алгоритм представляет собой алгоритм обмена базисами, который вращается между базами. Однако перекрестный алгоритм не обязательно должен поддерживать выполнимость, но может скорее перейти от допустимой основы к недопустимой. Алгоритм крест-накрест не имеет полиномиальная временная сложность для линейного программирования. Оба алгоритма посещают все 2^D углы (возмущенные) куб в измеренииD, то Куб Клее – Минти, в худший случай.^[13][16]

Внутренняя точка

В отличие от симплексного алгоритма, который находит оптимальное решение путем обхода ребер между вершинами на многогранном множестве, методы внутренней точки перемещаются через внутреннюю часть допустимой области.

Алгоритм эллипсоида по Хачияну

Это первый худший случай полиномиальное время алгоритм линейного программирования. Чтобы решить проблему, в которой п переменные и могут быть закодированы в L входные биты, этот алгоритм работает в ${ Displaystyle О (п ^ {6} L)}$ время.^[5] Леонид Хачиян решил эту давнюю проблему сложности в 1979 году с введением эллипсоидный метод. У анализа сходимости есть предшественники (действительные числа), в частности итерационные методы разработан Наум З. Шор и аппроксимационные алгоритмы Аркадий Немировский и Д. Юдин.

Проективный алгоритм Кармаркара

Алгоритм Хачияна имел важное значение для установления разрешимости линейных программ за полиномиальное время. Алгоритм не стал прорывом в вычислениях, поскольку симплекс-метод более эффективен для всех семейств линейных программ, кроме специально построенных.

Однако алгоритм Хачияна вдохновил на новые направления исследований в области линейного программирования. В 1984 г. Н. Кармаркар предложил проективный метод для линейного программирования. Алгоритм Кармаркара^[6] улучшился по сравнению с Хачияном^[5] оценка полинома в наихудшем случае (дающая ${ Displaystyle О (п ^ {3.5} L)}$). Кармаркар утверждал, что его алгоритм был намного быстрее в практической LP, чем симплексный метод, и это заявление вызвало большой интерес к методам внутренней точки.^[17] Со времени открытия Кармаркара было предложено и проанализировано множество методов внутренней точки.

Алгоритм Вайдьи 87

В 1987 году Вайдья предложил алгоритм, работающий в ${ Displaystyle О (п ^ {3})}$ время.^[18]

Алгоритм Вайдьи 89

В 1989 году Вайдья разработал алгоритм, работающий в ${ Displaystyle О (п ^ {2.5})}$ время.^[19] Формально алгоритм принимает ${ Displaystyle О ((п + d) ^ {1.5} nL)}$ арифметические операции в худшем случае, когда ${ displaystyle d}$ - количество ограничений, ${ displaystyle n}$ - количество переменных, а ${ displaystyle L}$ это количество бит.

Алгоритмы времени разреженности входных данных

В 2015 году Ли и Сидфорд показали, что эту проблему можно решить за ${ displaystyle O ((nnz (A) + n ^ {2}) { sqrt {n}} L)}$ время,^[20] где ${ displaystyle nnz (A)}$ представляет количество ненулевых элементов, и остается принимать ${ Displaystyle О (п ^ {2,5} L)}$ в худшем случае.

Алгоритм времени умножения текущей матрицы

В 2019 году Коэн, Ли и Сонг улучшили время работы до ${ Displaystyle { тильда {O}} ((п ^ { omega} + п ^ {2,5- альфа / 2} + п ^ {2 + 1/6}) L)}$ время, ${ displaystyle omega}$ является показателем матричное умножение и ${ displaystyle alpha}$ является двойственным показателем матричное умножение.^[21] ${ displaystyle alpha}$ (примерно) определяется как наибольшее число, такое, что можно умножить ${ Displaystyle п раз п}$ матрица ${ Displaystyle п раз п ^ { альфа}}$ матрица в ${ Displaystyle О (п ^ {2})}$ время. В последующей работе Ли, Сон и Чжан они воспроизводят тот же результат с помощью другого метода.^[22] Эти два алгоритма остаются ${ Displaystyle { тильда {O}} (п ^ {2 + 1/6} L)}$ когда ${ displaystyle omega = 2}$ и ${ Displaystyle альфа = 1}$. Результат благодаря Цзян, Сун, Вайнштейн и Чжан улучшился ${ Displaystyle { тильда {O}} (п ^ {2 + 1/6} L)}$ к ${ Displaystyle { тильда {O}} (п ^ {2 + 1/18} L)}$.^[23]

Сравнение методов внутренней точки и симплексных алгоритмов

В настоящее время считается, что эффективность хороших реализаций симплекс-методов и методов внутренней точки одинакова для обычных приложений линейного программирования. Однако для определенных типов задач LP может оказаться, что один тип решателя лучше, чем другой (иногда намного лучше), и что структура решений, сгенерированных методами внутренней точки по сравнению с методами на основе симплексов, значительно отличается с поддержкой набор активных переменных обычно меньше для последнего.^[24]

Открытые проблемы и недавние работы

Нерешенная проблема в информатике: Допускает ли линейное программирование алгоритм с сильно полиномиальным временем? (больше нерешенных проблем в информатике)

В теории линейного программирования есть несколько открытых проблем, решение которых означало бы фундаментальный прорыв в математике и потенциально значительный прогресс в нашей способности решать крупномасштабные линейные программы.

• Допускает ли LP сильно полиномиальный-временной алгоритм?
• Допускает ли LP алгоритм с сильно полиномиальным временем для поиска строго дополнительного решения?
• Допускает ли LP алгоритм с полиномиальным временем в модели вычислений с действительными числами (удельной стоимостью)?

Этот тесно связанный набор проблем был процитирован Стивен Смейл как среди 18 величайших нерешенных проблем 21 века. По словам Смейла, третья версия проблемы «является основной нерешенной проблемой теории линейного программирования». Хотя существуют алгоритмы для решения линейного программирования за слабо полиномиальное время, такие как эллипсоидные методы и методы внутренней точки, пока не найдено ни одного алгоритма, который позволял бы получить сильно полиномиальную производительность по количеству ограничений и количеству переменных. Разработка таких алгоритмов представляла бы большой теоретический интерес и, возможно, также позволила бы получить практическую пользу при решении больших LP.

Хотя Гипотеза Хирша был недавно опровергнут для более высоких измерений, он все еще оставляет открытыми следующие вопросы.

• Существуют ли сводные правила, которые приводят к полиномиальным вариантам симплекса?
• Все ли многогранники имеют полиномиально ограниченный диаметр?

Эти вопросы касаются анализа производительности и разработки симплекс-подобных методов. Огромная эффективность симплексного алгоритма на практике, несмотря на его теоретическую производительность в экспоненциальном времени, намекает на то, что могут быть вариации симплексного алгоритма, которые работают за полиномиальное или даже сильно полиномиальное время. Было бы очень важно знать, существуют ли какие-либо такие варианты, особенно в качестве подхода к решению, можно ли решить ЛП за строго полиномиальное время.

Симплексный алгоритм и его варианты относятся к семейству алгоритмов отслеживания ребер, названных так потому, что они решают задачи линейного программирования, перемещаясь от вершины к вершине вдоль ребер многогранника. Это означает, что их теоретическая производительность ограничена максимальным числом ребер между любыми двумя вершинами многогранника LP. В результате нам интересно знать максимум теоретико-графический диаметр многогранника графики. Доказано, что все многогранники имеют субэкспоненциальный диаметр. Недавнее опровержение гипотезы Хирша - это первый шаг к доказательству того, имеет ли какой-либо многогранник суперполиномиальный диаметр. Если такие многогранники существуют, то никакой вариант следования ребрам не может выполняться за полиномиальное время. Вопросы о диаметре многогранника представляют самостоятельный математический интерес.

Симплексные методы поворота сохраняют первичную (или двойную) выполнимость. С другой стороны, методы перекрестного поворота не сохраняют (первичную или двойную) выполнимость - они могут посещать первичные допустимые, двойственно допустимые или первично-двойные недопустимые базы в любом порядке. Методы Pivot этого типа изучаются с 1970-х годов.^{[нужна цитата]} По сути, эти методы пытаются найти кратчайший путь поворота на многогранник расположения по задаче линейного программирования. В отличие от многогранных графов, графы многогранников расположения, как известно, имеют малый диаметр, что позволяет использовать алгоритм перекрестного поворота с сильно полиномиальным временем без решения вопросов о диаметре многогранников общего вида.^[13]

Целочисленные неизвестные

Если требуется, чтобы все неизвестные переменные были целыми числами, то проблема называется целочисленное программирование (IP) или целочисленное линейное программирование (ILP) проблема. В отличие от линейного программирования, которое может быть эффективно решено в худшем случае, задачи целочисленного программирования встречаются во многих практических ситуациях (с ограниченными переменными) NP-жесткий. 0–1 целочисленное программирование или двоичное целочисленное программирование (BIP) - это частный случай целочисленного программирования, когда переменные должны быть 0 или 1 (а не произвольные целые числа). Эта проблема также классифицируется как NP-трудная, и фактически вариант решения был одним из 21 NP-полная задача Карпа.

Если требуется, чтобы только некоторые из неизвестных переменных были целыми числами, тогда проблема называется смешанное целочисленное программирование (MIP) проблема. Как правило, они также NP-трудны, потому что они даже более общие, чем программы ПДОДИ.

Однако есть некоторые важные подклассы проблем IP и MIP, которые можно эффективно решить, в первую очередь проблемы, в которых матрица ограничений полностью унимодулярный а правые части ограничений являются целыми числами или, в более общем смысле, когда система имеет полная двойная целостность (TDI) свойство.

Расширенные алгоритмы решения целочисленных линейных программ включают:

• плоскостной метод
• Ветвь и переплет
• Разделить и разрезать
• Филиал и цена
• если проблема имеет дополнительную структуру, возможно, можно будет применить отложенное создание столбца.

Такие алгоритмы целочисленного программирования обсуждаются Padberg и в Бизли.

Интегральные линейные программы

Линейная программа в вещественных переменных называется интеграл если у него есть хотя бы одно оптимальное решение - интегральное. Точно так же многогранник ${ Displaystyle P = {х середина Ax geq 0 }}$ как говорят интеграл если для всех допустимых ограниченных целевых функций c, линейная программа ${ displaystyle { max cx mid x in P }}$ имеет оптимальный ${ displaystyle x ^ {*}}$ с целыми координатами. Как наблюдали Эдмондс и Джайлс в 1977 году, можно эквивалентно сказать, что многогранник ${ displaystyle P}$ является целым, если для любой ограниченной допустимой интегральной целевой функции c, оптимальный ценность линейной программы ${ displaystyle { max cx mid x in P }}$ целое число.

Интегральные линейные программы имеют центральное значение в многогранном аспекте комбинаторная оптимизация поскольку они обеспечивают альтернативную характеристику проблемы. В частности, для любой задачи выпуклая оболочка решений представляет собой целочисленный многогранник; если этот многогранник имеет красивое / компактное описание, то мы можем эффективно найти оптимальное допустимое решение при любой линейной цели. Наоборот, если мы можем доказать, что a релаксация линейного программирования является целым, то это искомое описание выпуклой оболочки допустимых (интегральных) решений.

Терминология не является единообразной во всей литературе, поэтому следует осторожно различать следующие два понятия:

• в целочисленная линейная программа, описанной в предыдущем разделе, переменные принудительно ограничиваются целыми числами, и эта проблема в целом NP-трудна,
• в интегральная линейная программа, описанные в этом разделе, переменные не ограничиваются целыми числами, а скорее каким-то образом доказано, что непрерывная задача всегда имеет целое оптимальное значение (при условии, что c является целым), и это оптимальное значение может быть эффективно найдено, поскольку все линейные программы полиномиального размера могут быть решены за полиномиальное время.

Один из распространенных способов доказать, что многогранник целочислен, - это показать, что он полностью унимодулярный. Существуют и другие общие методы, включая свойство целочисленного разложения и полная двойная целостность. Другие конкретные хорошо известные интегральные ЛП включают согласованный многогранник, решетчатые многогранники, субмодульный многогранники потоков и пересечение двух обобщенных полиматроидов /г-полиматроиды - например, см. Schrijver 2003.

Решатели и языки сценариев (программирования)

Разрешительный лицензии:

Копилефт (взаимное) лицензии:

MINTO (Оптимизатор смешанных целых чисел, целочисленное программирование решатель, использующий алгоритм ветвления и привязки) имеет общедоступный исходный код^[25] но не с открытым исходным кодом.

Проприетарный лицензии:

Смотрите также

Заметки

использованная литература

дальнейшее чтение

внешние ссылки

Викискладе есть медиафайлы по теме Линейное программирование.

• Руководство по формулировке задач LP
• Глоссарий математического программирования
• Часто задаваемые вопросы о линейном программировании
• Тесты для программного обеспечения оптимизации