简单易懂的单纯形法理解
\uad 从学线性规划开始一直觉得单纯形是一种奇奇怪怪不知所云的方法 （居然还好意思叫simplex，我觉得叫complex才对）， 上课老师讲到的一大堆性质定理的证明也让人晕头转向，最后还是死记硬背下了单纯形表的解法勉强应付过了作业。直到今天小班课助教讲了他学到的对于单纯形的理解，才觉得豁然开朗，原来单纯形的确是这么“单纯”。和图解法结合起来也更加清晰直观地看到了单纯形法的工作过程，分享出来希望也能够帮助大家更好地理解。我们 不需要任何定理公式。
推荐阅读本文方法：自己在纸上把文中单纯形表和图像画出来，对照着进行学习。
\uad 需要读者关于线性规划标准形的一些最基本的概念，如基变量，基本可行解等，如果不了解可先学习一下标准形，在此不对概念做赘述。以及知道单纯形的大概思路（先确定一组基本可行解，然后通过各种操作使得目标函数的值不断下降，最终得到最优解）
\uad 我们以《算法设计与分析（第2版）》上的例子来进行讲解
m a x z = 12 x + 15 y s . t . 0.25 x + 0.50 y ≤ 120 0.50 x + 0.50 y ≤ 150 0.25 x ≤ 50 x ≥ 0 , y ≥ 0 max \uad z=12x+15y\\ s.t.\quad 0.25x+0.50y\ \leq120\\ \uad \;0.50x+0.50y\ \leq150\\\uad0.25x\uad\uad\leq50\\x\geq0,\quad y\geq0 maxz=12x+15ys.t.0.25x+0.50y ≤1200.50x+0.50y ≤1500.25x≤50x≥0,y≥0
画出的图像如图所示
\uad 这是最简单的情形，所有的约束条件都为小于等于，我们可以直接通过引入松弛变量来化为标准形，即：
m i n − z = − 12 x 1 − 15 x 2 s . t . 0.25 x 1 + 0.50 x 2 + x 3 = 120 0.50 x 1 + 0.50 x 2 + x 4 = 150 0.25 x 1 + x 5 = 50 x j ≥ 0 , j = 1 , 2 , . . . , 5 min \uad -z=-12x_{1}-15x_{2}\\ s.t.\quad 0.25x_{1}+0.50x_{2}+x_{3}\ =120\\ \uad \;0.50x_{1}+0.50x_{2}+x_{4}\ =150\\\uad0.25x_{1}\uad\quad\quad\;+x_{5}=50\\x_{j}\geq0,\quad j=1,2,…,5 min−z=−12x1−15x2s.t.0.25x1+0.50x2+x3 =1200.50x1+0.50x2+x4 =1500.25x1+x5=50xj≥0,j=1,2,...,5
\uad 单纯形的第一步是找出一组初始可行基，对于我们题目中这种约束条件全为小于等于的版本，我们只需取三个松弛变量作为初始可行基即可。
我们画出单纯形表（简化版）如下所示
| x B x_{B} xB | b b b | x 1 x 2 x 3 x 4 x 5 x_{1}\uad\uad x_{2}\uad\uad x_{3}\uad\uad x_{4}\uad\uad x_{5} x1x2x3x4x5 | θ \theta θ |
|---|---|---|---|
| x 3 x_{3} x3 | 120 | 0.25 0.50 1 0 0 0.25 \uad \uad0.50\uad\uad1\uad\uad0\uad\uad0\quad 0.250.50100 | 240 |
| x 4 x_{4} x4 | 150 | 0.50 0.50 0 1 0 0.50 \uad \uad0.50\uad\uad0\uad\uad1\uad\uad0\quad 0.500.50010 | 300 |
| x 5 x_{5} x5 | 50 | 0.25 0 0 0 1 0.25 \uad \uad0\uad\uad\quad0\uad\uad0\uad\uad1\quad 0.250001 | |
| − z -z −z | 0 | − 12 − 15 0 0 0 -12 \uad \ \ \quad-15\ \ \uad\uad0\uad\uad0\uad\uad0\quad −12 −15 000 |
\uad 让我们首先理解这个单纯形表表示的是什么意思。先抛开 θ \ \theta\; θ列不看，只看前面的几列。 x B x_{B} xB列表示的是我们当前选取的基变量，而 b \;b\; b列和 x \;x\; x列合起来就是我们目前线性规划的约束条件，最下面一行是我们当前的目标函数，由于我们目前选择的初始可行解为{0,0,120,150,50}，所以初始目标函数值为0。相信到这里大家都是能够理解的。
\uad 接下来就开始我们的优化，我们的目的是想让目标函数的值降低，而现在影响目标函数的变量有 x 1 和 x 2 x_{1} 和 x_{2} x1和x2，两个变量增大均能够使得目标函数减小，我们先选择其中的一个来达成我们的第一步。注意到， x 1 x_{1} x1每增加1会使得 − z \;-z\; −z减小12，而 x 2 x_{2} x2每增加1会使得 − z \;-z\; −z减小15。我们希望目标函数减小的越快越好，所以这里我们选择 x 2 x_{2} x2进行增大，用单纯形的术语来说就是让 x 2 x_{2} x2作为换入变量，使它成为可行基。
\uad 我们当然希望目标函数越小越好，那么我们的 x 2 x_{2} x2自然是越大越好，但是它不能无限制地增大下去，因为我们有约束条件（三个等式，以及非负条件）。那么我们考察一下 x 2 x_{2} x2最多能增大多少呢？含有 x 2 x_{2} x2的等式限制是前两个： 0.25 x 1 + 0.50 x 2 + x 3 = 120 0.50 x 1 + 0.50 x 2 + x 4 = 150 \uad 0.25x_{1}+0.50x_{2}+x_{3}\ =120\\ \uad \;0.50x_{1}+0.50x_{2}+x_{4}\ =150 0.25x1+0.50x2+x3 =1200.50x1+0.50x2+x4 =150由于它们是等式条件，所以如果想要 x 2 x_{2} x2增大，必须有相应变量减小来维持等式条件成立，由于非负条件的限制，两式中能减小的只能分别是 x 3 x_{3} x3和 x 4 x_{4} x4了（ x 1 = 0 x_{1}=0 x1=0）。
\uad 现在 x 3 x_{3} x3和 x 4 x_{4} x4的值均为1，要让 x 2 x_{2} x2增加到最大就要让它们减小到0。让 x 3 x_{3} x3减小到0可以使 x 2 x_{2} x2增大到 1 ∗ 120 / 0.50 = 240 1*120/0.50=240 1∗120/0.50=240，而让 x 4 x_{4} x4减小到0可以使 x 2 x_{2} x2增大到 1 ∗ 150 / 0.50 = 300 1*150/0.50=300 1∗150/0.50=300。有没有发现，这就是我们的 θ \;\theta\; θ那一列的值？注意这里有一个比较容易迷惑的点。 有些同学可能会想，我们想让 x 2 x_{2} x2越大越好，那这里300更大是不是能增大到300？这样思考是不对的。要知道，这两个等式是约束条件，是需要都满足的，如果我们选取了300那么第一个等式就不能满足了。从这个角度思考，这里我们其实应该选择的是 θ \;\theta\; θ的最小值，也即让 x 3 x_{3} x3减小到0，用单纯形的术语来讲就是选择 x 3 x_{3} x3作为换出变量。
\uad 现在，我们尽管没有提到变量替换这样的概念，但我们已经选好了所谓的换入变量和换出变量。这时候，我们的解向量变成了{0,240,0,1,0}，并且 − z -z −z的值变成了 − 15 ∗ 240 = − 3600 -15*240=-3600 −15∗240=−3600（根据之前说的 x 2 x_{2} x2每增大1就会让 − z -z −z减小15）。因为 x 2 x_{2} x2此时已经不能再增加了，我们也在约束条件中想办法把它的影响减到最小，即只保留用到的等式约束中的 x 2 x_{2} x2并把它单位化，把其余的等式约束中消去 x 2 x_{2} x2。这一步通过行列变换可以很容易得到，化简后的等式约束变为：
0.50 x 1 + x 2 + 2 x 3 = 240 0.50 x 1 − x 3 + x 4 = 30 0.25 x 1 + x 5 = 50 \quad\; 0.50x_{1}+x_{2}+2x_{3}\ =240\\ \quad0.50x_{1}-x_{3}+x_{4}\ =30\\\uad\;0.25x_{1}\uad\quad\quad\;+x_{5}=50 0.50x1+x2+2x3 =2400.50x1−x3+x4 =300.25x1+x5=50
同时，由于约束条件的改变，我们目标函数的形式也应该相应地进行改变。此时 − z -z −z的初值为-3600，解向量为{0,240,0,1,0}。考察现在各变量对于目标函数的影响。当 x 1 x_{1} x1增大1，目标函数会减小12；但同时，为了满足第一个等式约束， x 2 x_{2} x2的值也需要发生相应变化，即当 x 1 x_{1} x1增大1， x 2 x_{2} x2的值需要减小0.5，从而使目标函数增大 − 15 ∗ 0.5 ∗ ( − 1 ) = 7.5 -15*0.5*(-1)=7.5 −15∗0.5∗(−1)=7.5。综合来看引起的变化可以得到，当 x 1 x_{1} x1增加1，会使得目标函数的值改变 − 12 + 7.5 = − 4.5 -12+7.5=-4.5 −12+7.5=−4.5，即 x 1 x_{1} x1新的系数为-4.5。同理对于 x 3 x_{3} x3，当 x 3 x_{3} x3增大时本来对目标函数影响是0，但是每当 x 3 x_{3} x3增大1，为了满足第一个等式，需要让 x 2 x_{2} x2减小2，从而使目标函数改变 − 15 ∗ 2 ∗ ( − 1 ) = 30 -15*2*(-1)=30 −15∗2∗(−1)=30,即 x 3 x_{3} x3系数为30。即 − z = − 3600 − 4.5 x 1 + 30 x 3 -z=-3600-4.5x_{1}+30x_{3} −z=−3600−4.5x1+30x3。如果仔细观察，我们可以惊奇地发现，这几个系数在表中的得出过程与上面改变约束时的行列变换做法 完 全 一 致，即把对应列（ x 2 x_{2} x2）消成0，这样我们得到一个更加简便的计算“新目标函数”的方法。
\uad 到这里，有些同学可能会提出疑问：为什么 x 2 x_{2} x2， x 4 x_{4} x4， x 5 x_{5} x5的系数是0呢？或者是：为什么我们考虑 x 1 x_{1} x1增大时只考虑了对 x 2 x_{2} x2的影响而没有考虑对 x 3 x_{3} x3， x 4 x_{4} x4， x 5 x_{5} x5的影响呢？这就涉及到我们对于换出的理解了。事实上，从一开始的目标函数中， x 1 x_{1} x1的系数-12就不只是增大1个单位 x 1 x_{1} x1的影响，而是增大1个 x 1 x_{1} x1，减小0.25个 x 3 x_{3} x3，减小0.5个 x 4 x_{4} x4，减小0.25个 x 5 x_{5} x5的收益，这才是我们系数的真正含义，其他变量的系数也是同理。当我们进行完第一步的单纯形变换后，由于我们的消元，后两个等式中都没有 x 2 x_{2} x2，故换入换出的比例关系不受到影响，所以我们只需要考虑第一个等式中的关系。同时，我们系数的含义是“增加1单位的 x j x_{j} xj,同时加上对其他变量的影响，一共对目标函数结果的影响”，而 x 2 x_{2} x2此时已经不能再增大了，自然也就没有系数了。这样我们就完全解释了所有系数的来历，也体会出了我们行列变换消元的重要性所在。
现在，我们已经基本完成了下一步的单纯形表的求解（除 θ \;\theta\; θ列以外），如下：
| x B x_{B} xB | b b b | x 1 x 2 x 3 x 4 x 5 x_{1}\uad\uad x_{2}\uad\uad x_{3}\uad\uad x_{4}\uad\uad x_{5} x1x2x3x4x5 | θ \theta θ |
|---|---|---|---|
| x 2 x_{2} x2 | 240 | 0.50 1 2 0 0 0.50 \uad \uad1\uad\uad2\uad\uad0\uad\uad0\quad 0.501200 | 480 |
| x 4 x_{4} x4 | 30 | 0.25 0 − 1 1 0 0.25 \uad \uad0\quad\uad-1\uad\uad1\uad\uad0\quad 0.250−110 | 120 |
| x 5 x_{5} x5 | 50 | 0.25 0 0 0 1 0.25 \uad \uad0\quad\uad\quad0\uad\uad0\uad\uad1\quad 0.250001 | 200 |
| − z -z −z | 3600 | − 4.5 0 30 0 0 -4.5 \uad \ \ \quad0\ \ \uad\uad30\uad\uad0\uad\uad0\quad −4.5 0 3000 |
总结一下变换的大体思路：先找出能让目标函数减小的变量（换入变量），然后找出对应的最严格的约束条件（换出变量），替换后将原变量约束的影响降到最低（单位化，消元），最后得到新的目标函数。
从图像上来看，我们让 x 2 x_{2} x2变到了可能的最大值，即目标函数如图所示：
\uad 从图上我们显然可以看到这并不是最优解，最优解应当经过B点，即让直线向右移，即让 x 1 x_{1} x1增大，那么我们从单纯形表中是不是也能得出同样的结论呢？让我们一起继续来看。
\uad 有了第一次单纯形变换的经验，我们很容易同样地进行第二步。首先选择能让目标函数减小的变量，这里只有 x 1 x_{1} x1可以了，即为换入变量。然后算出 x 1 x_{1} x1在约束的情况下能变化多少，即用 b b b列除以 x 1 x_{1} x1列算出 θ \;\theta\; θ列，选取其中最小的一个（必要的约束条件），这里是第二行120，则第二行对应的 x B x_{B} xB即 x 4 x_{4} x4为换出变量。然后我们对于 x 1 x_{1} x1列，把第二个等式单位化，第一三个等式对应行和下面的目标函数行列变换消元，得到新的单纯形表：
| x B x_{B} xB | b b b | x 1 x 2 x 3 x 4 x 5 x_{1}\uad\uad x_{2}\uad\uad x_{3}\uad\uad x_{4}\uad\uad x_{5} x1x2x3x4x5 | θ \theta θ |
|---|---|---|---|
| x 2 x_{2} x2 | 240 | 0 1 4 − 2 0 0 \uad \uad1\uad\uad4\uad\uad-2\uad\uad0\quad 014−20 | |
| x 1 x_{1} x1 | 30 | 1 0 − 4 4 0 1 \uad \uad0\quad\uad\quad-4\uad\uad4\uad\uad0\quad 10−440 | |
| x 5 x_{5} x5 | 50 | 0 0 1 − 1 1 0 \uad \uad0\quad\uad\quad1\uad\uad-1\uad\uad1\quad 001−11 | |
| − z -z −z | 4140 | 0 0 12 18 0 0 \uad \ \ \quad0\ \ \uad\uad12\uad\uad18\uad\uad0\quad 0 0 12180 |
我们在最后一行看现在的“新目标函数”， − z = − 4140 + 12 x 3 + 18 x 4 -z=-4140+12x_{3}+18x_{4} −z=−4140+12x3+18x4，此时两个变量的增大均会使 − z -z −z减小，即术语所说的所有的检验数都大于等于零，达到了最优解。与图像完全符合！
总结
通过上面的详细分析，原来单纯形法并不只是课堂上一大堆让人听见就犯困的定理的证明，其实它的本质是选择某一个未达到最优的方向（即所谓非基变量），让它增大到这个变量的最优（图像上另一个顶点），通过这样不断地变换自然可以最终达到最优的那个顶点。抛开数学的部分，它其实还是很朴素的一样方法。一点感悟就是从设计者的思想来学习（从算法思路到概念引入到正确性证明）要比一上来就给出一大堆不知所云的定理要强得多，对于我们不专门搞理论算法的人来说也完全够用了 （够期末考试用了） 。
最后特别感谢我的算分小班助教GAREN，之前虽然不是完全死记方法但也只有很浅薄的理解，因为他的讲解让我有了对整个算法系统性的理解。希望大家也能从此文获益！
发布者：全栈程序员-站长，转载请注明出处：https://javaforall.net/201284.html原文链接：https://javaforall.net
