第一章 人工智能基础
第四部分：数学建模基本方法
第一节：优化问题与线性规划
内容：目标函数、约束条件，单纯形法的基本原理。
一、什么是优化问题
优化问题（Optimization Problem）是指在给定条件下 ，对一个目标函数进行最大化或最小化。
一般形式为：
python
目标函数： Max 或 Min f(x)
约束条件： g₁(x) ≤ b₁
g₂(x) = b₂
...
变量范围： x ∈ ℝⁿ，或 x ≥ 0 等二、线性规划（Linear Programming）
线性规划是一类特殊的优化问题，要求：
-
目标函数是线性的
-
约束条件是线性等式或不等式
标准形式：
python
Maximize: z = c₁x₁ + c₂x₂ + ... + cₙxₙ
Subject to: a₁₁x₁ + a₁₂x₂ + ... + a₁ₙxₙ ≤ b₁
...
aₘ₁x₁ + aₘ₂x₂ + ... + aₘₙxₙ ≤ bₘ
x₁, x₂, ..., xₙ ≥ 0其中：
-
x₁...xₙ是决策变量 -
z是目标函数 -
系数矩阵
aᵢⱼ、常数向量bᵢ和目标函数系数cⱼ均为已知常量
三、几何理解（二维情况下）
在二维空间中，每个约束条件对应一条直线，将空间划分为可行区域 。
目标函数的值在可行区域边界某个点达到最优。
四、单纯形法（Simplex Method）原理简介
单纯形法是一种高效的线性规划算法 ，通过从一个可行解出发，在可行区域的边界上沿"边"移动，逐步寻找最优解。
基本流程：
-
将线性规划转化为标准形式
-
引入松弛变量（将 ≤ 转为等式）
-
构造初始单纯形表
-
选择进入基变量（即改善方向）
-
选择离基变量（保持可行性）
-
迭代直到所有目标系数 ≤ 0（最优）
特点：
-
适用于中小规模问题
-
可以在"有限步"内找到最优解（若存在）
-
时间复杂度最坏为指数级，但实际表现优良
示例（简化版）
问题：
Maximize z = 3x + 2y
Subject to:
x + y ≤ 4
x ≤ 2
y ≤ 3
x, y ≥ 0解法思路：
-
绘制约束线，找出可行区域
-
在可行区域顶点处代入目标函数求值
-
取最大值即为最优解（例如 x=2, y=2）
总结表格：
| 概念 | 描述 |
|---|---|
| 目标函数 | 需要优化（最大化/最小化）的数学表达式 |
| 约束条件 | 限制决策变量的线性等式/不等式 |
| 可行解 | 满足所有约束的变量取值组合 |
| 最优解 | 在可行解中使目标函数最优的解 |
| 单纯形法 | 沿边界迭代求最优解的线性规划算法 |
| 应用领域 | 工程调度、资源分配、物流运输、经济管理、生产计划等 |