我必须找到一些微小的线性规划问题的所有基本解决方案。
这是一个示例(采用 lp_solve 格式):
max: x1 + x2;
x1 + x2 <= 1;
x1 <= 0.8;
x2 <= 0.8;
所有 2 个基本解决方案:
当然还有a way寻找替代解决方案,但我真的更喜欢使用现有的库而不是制作我自己的单纯形代码。
我使用 Python 作为我的编程语言,希望在 lp_solve 中有一些方法或 GLPK的 C API 可以做到这一点。
谢谢。
最佳答案
没有例程可以用 glpk
做到这一点。 ;恕我直言,任何现实世界的求解器都不太可能实现类似的东西,因为它在实践中不是很有用,而且肯定不是一个简单的问题。
一旦您使用单纯形算法达到最优,确实很容易找到另一种基本解决方案,这并不意味着很容易将它们全部列出。
考虑一个 LP,其域的维度为 n
;套装S
最优解是一个凸多面体,其维数m
可以是 0
中的任何内容至 n-1
.
您想要一种方法来列出问题的所有基本解,即S
的所有顶点: 尽快m
大于 2,当您从一种基本解决方案移动到另一种时,您需要小心避免循环。
但是,(幸运的是!)无需编写自己的单纯形代码:您可以使用 glpk 库访问当前基础的内部结构,也可能使用 lpsolve。
编辑:两种可能的解决方案
假设您有以下形式的问题:
min cx; subject to: Ax <= b
首先用glpk解决您的问题,这将为您提供最佳值
V
的问题。从这点,你可以用 PPL 得到最优值的多面体的描述:cx = V and Ax <= b
作为其极值点的凸包,对应于您正在寻找的 BFS。
glp_get_row_dual
降低与所有非基本列相关的成本。 (变量的基础状态可以通过 glp_get_row_stat
获得),所以你可以找到一个零成本降低的非基础变量。然后,我认为你可以使用函数 glp_set_row_stat
更改此列的基础状态以使其进入基础。(然后,只要避免循环,就可以迭代此过程。)
请注意,我自己没有尝试任何这些解决方案;我认为第一个是迄今为止最好的,尽管它需要您学习 PPL API。如果您想使用第二个,我强烈建议您向 glpk 维护者发送一封电子邮件(或查看源代码),因为我真的不确定它是否会按原样工作。
关于linear-programming - 使用现有的线性规划工具找到所有替代的基本解决方案,我们在Stack Overflow上找到一个类似的问题: https://stackoverflow.com/questions/28533831/