函数极值与规划模型

1. 线性代数和线性规划的联系

1.1 线性代数的基本概念

线性代数是数学的一个分支，主要研究向量、向量空间（或线性空间）、线性变换以及线性方程组。它提供了用于描述和操作线性系统的工具。以下是一些线性代数的基本概念：

• 向量：具有方向和大小的量，可以表示为一维数组。
• 矩阵：矩阵是由向量组成的二维数组，用于表示线性变换和线性方程组。
• 线性方程组：由多个线性方程组成的方程组，可以用矩阵形式表示。
• 行列式：矩阵的一个标量值属性，反映了矩阵的一些几何性质，如是否可逆。
• 特征值和特征向量：矩阵的一些固有属性，反映了线性变换的一些重要性质。

1.2 线性规划的基本概念

线性规划是一种优化技术，旨在最大化或最小化一个线性目标函数，同时满足一组线性约束条件。以下是线性规划的基本概念：

• 目标函数：需要优化的线性函数，通常表示为 (c^T x)，其中 (c) 是系数向量，(x) 是决策变量向量。
• 约束条件：限制决策变量的线性不等式或等式，通常表示为 (Ax \leq b) 或 (Ax = b)，其中 (A) 是系数矩阵，(b) 是常数向量。
• 可行解空间：满足所有约束条件的决策变量的集合。
• 最优解：在可行解空间中使目标函数达到最大或最小值的解。

1.3 线性代数与线性规划的联系

矩阵和向量

在线性规划中，决策变量和约束条件通常用向量和矩阵表示。例如，目标函数 (c^T x) 和约束条件 (Ax \leq b) 都使用了线性代数中的矩阵和向量表示法。这使得线性规划问题可以形式化为矩阵运算问题，从而利用线性代数的方法来分析和求解。

线性方程组

线性规划中的约束条件通常包括线性方程组或线性不等式组。解决这些方程组和不等式组是线性规划的核心任务之一。线性代数提供了求解线性方程组的工具，如高斯消元法和矩阵分解方法。

单纯形法

单纯形法是一种用于求解线性规划问题的算法，基于线性代数的基本原理。它通过在约束条件定义的多面体（可行解空间）的顶点之间移动，逐步寻找最优解。这个过程涉及大量的矩阵运算和线性代数操作，如矩阵的行变换和基变换。

内点法

内点法是另一种解决线性规划问题的算法，它通过在可行解空间内部寻找路径来逼近最优解。内点法使用了线性代数中的矩阵分解和求解技术，以有效地处理大规模的线性规划问题。

凸优化

线性规划是凸优化的一种特例。线性规划问题的可行解空间是一个凸多面体，而线性代数提供了分析凸集和凸函数的工具。这些工具对于理解线性规划的几何性质和设计求解算法非常重要。

1.4 例子

以下是一个简单的线性规划问题，展示了如何使用线性代数方法来求解：

问题：
最大化 $z=3x_1+2x_2$

约束条件：
$$\{\begin{array}{l}2x_1+x_2\le 20\\ 4x_1-5x_2\ge -10\\ x_1+2x_2\le 15\\ x_1,x_2\ge 0\end{array}$$

步骤：

1. 将约束条件转换为标准形式：
   $$\{\begin{array}{l}2x_1+x_2\le 20\\ 4x_1-5x_2\le 10\\ x_1+2x_2\le 15\\ x_1,x_2\ge 0\end{array}$$
2. 使用线性代数方法（如单纯形法或内点法）求解。

2. Numpy有关矩阵运算示例

直接上代码：

2.1 矩阵的创建

# 创建数组a = np.array([1,2,3])# 指定数据类型a = np.array([1,2,3],dtype=np.int64)# 创建二维数组a = np.array([[1,2,3],[4,5,6]])# 创建多维数组a = np.array([[[1,2,3],[4,5,6]],[[1,2,3],[4,5,6]],[[1,2,3],[4,5,6]]]) # 3x2x3print(a.shape)# 创建数据全为0a = np.zeros((1,3))# 创建数据全为1a = np.ones((1,3))# 创建数据接近0a = np.empty((1,3))# 创建一个从10到20的数组，步长为1a = np.arange(10, 20, 1)print("数组 a:", a)# 创建一个从10到20的数组，步长为2b = np.arange(10, 20, 2)print("数组 b:", b)# 创建一个从10到20的数组，包含5个均匀分布的点c = np.linspace(10, 20, 5)print("数组 c:", c)# 创建一个从10到20的数组，包含10个均匀分布的点d = np.linspace(10, 20, 10)print("数组 d:", d)# 生成 3x2 的随机数数组# 指定范围low = 10high = 20random_array = np.random.uniform(low, high, (3, 2))print("3x2 的随机数数组:\n", random_array)# 生成 3x2 的随机整数数组random_int_array = np.random.randint(low, high, (3, 2))print("3x2 的随机整数数组:\n", random_int_array)

2.2 矩阵的基本运算

# 创建两个 3x2 的矩阵
A = np.array([[1, 2], [3, 4], [5, 6]])
B = np.array([[6, 5], [4, 3], [2, 1]])print("矩阵 A:\n", A)
print("矩阵 B:\n", B)# 矩阵加法
C = A + B
print("矩阵 A + B:\n", C)# 矩阵减法
D = A - B
print("矩阵 A - B:\n", D)# 矩阵乘法（元素乘法）
E = A * B
print("矩阵 A * B (元素乘法):\n", E)# 矩阵点乘
F = A.dot(B.T)
print("矩阵 A 和 B.T 的点乘:\n", F)# 矩阵转置
A_T = A.T
print("矩阵 A 的转置:\n", A_T)

2.3 矩阵的合并

# 创建一个 2x2 方阵
G = np.array([[1, 2], [3, 4]])
G_inv = np.linalg.inv(G)
print("矩阵 G:\n", G)
print("矩阵 G 的逆:\n", G_inv)# 垂直合并
H = np.vstack((A, B))
print("垂直合并 A 和 B:\n", H)# 水平合并
I = np.hstack((A, B))
print("水平合并 A 和 B:\n", I)

2.4 矩阵的分割

# 垂直分割
J1, J2, J3 = np.vsplit(A, 3)
print("垂直分割 A:\n", J1, "\n", J2, "\n", J3)# 水平分割
K1, K2 = np.hsplit(A, 2)
print("水平分割 A:\n", K1, "\n", K2)

3. 线性规划工具包介绍

• scipy.optimize.linprog 是一个简单易用的函数，适用于基本的线性规划问题。
• PuLP 提供了更强大的功能和灵活性，适用于复杂的线性规划问题。

下面是两者的详细介绍和使用示例

3.1 scipy的linprog函数

res=linprog(c=c, A_ub=A, b_ub=b, A_eq=aeq, b_eq=beq, bounds=bounds)

参数说明：

• c: 目标函数的系数向量。我们希望最小化目标函数 (c \cdot x)。
• A_ub: 不等式约束矩阵（小于等于）。每一行代表一个不等式约束的系数。
• b_ub: 不等式约束向量。每个元素代表对应不等式约束的右侧常数。
• A_eq: 等式约束矩阵。每一行代表一个等式约束的系数。
• b_eq: 等式约束向量。每个元素代表对应等式约束的右侧常数。
• bounds: 变量的取值范围。每个元组表示一个变量的下限和上限。

返回值：

• res: 返回一个优化结果对象，其中包含以下属性：
  • x: 最优解。
  • fun: 目标函数在最优解处的值。
  • success: 优化是否成功的布尔值。
  • status: 优化的状态代码。
  • message: 描述优化状态的消息。

示例代码

问题描述：

最大化目标函数：
$$z=-x_1+4x_2$$

约束条件：
$$\{\begin{array}{l}-3x_1+x_2\le 6\\ x_1+2x_2\le 4\\ 2x_1+x_2=1\\ x_1,x_2\ge 0\end{array}$$

转换为标准形式进行求解：

import numpy as np
from scipy.optimize import linprog# 定义目标函数的系数向量
c = [-1, 4]  # 原目标函数是最大化 -x1 + 4x2，但 linprog 求解的是最小化问题# 定义不等式约束矩阵和向量
A_ub = [[-3, 1], [1, 2]]
b_ub = [6, 4]# 定义等式约束矩阵和向量
A_eq = [[2, 1]]
b_eq = [1]# 定义变量的取值范围
x0_bounds = (0, None)
x1_bounds = (0, None)# 调用 linprog 函数求解
res = linprog(c, A_ub=A_ub, b_ub=b_ub, A_eq=A_eq, b_eq=b_eq, bounds=[x0_bounds, x1_bounds])# 打印结果
print('Optimal value:', res.fun, '\nX:', res.x)

3.2 PuLP工具包

PuLP 是一个用于线性规划的 Python 库，它提供了定义和求解线性规划问题的简单接口。与 scipy.optimize.linprog 相比，PuLP 更加灵活，适用于更复杂的线性规划问题。

安装PuLP

可以使用以下命令安装 PuLP：

pip install pulp

使用示例

问题描述：

最小化目标函数：
$$z=x_1+4x_2$$

约束条件：
$$\{\begin{array}{l}-3x_1+x_2\le 6\\ x_1+2x_2\le 4\\ 2x_1+x_2=1\\ x_1,x_2\ge 0\end{array}$$

转换为标准形式进行求解：

import pulp# 创建一个最小化问题
model = pulp.LpProblem("Minimize Problem", pulp.LpMinimize)# 定义变量
x1 = pulp.LpVariable('x1', lowBound=0)  # x1 >= 0
x2 = pulp.LpVariable('x2', lowBound=0)  # x2 >= 0# 定义目标函数
model += x1 + 4 * x2, "Objective Function"# 定义约束条件
model += -3 * x1 + x2 <= 6, "Constraint 1"
model += x1 + 2 * x2 <= 4, "Constraint 2"
model += 2 * x1 + x2 == 1, "Constraint 3"# 求解问题
model.solve()# 输出结果
print("Status:", pulp.LpStatus[model.status])
print("Optimal value of x1:", x1.varValue)
print("Optimal value of x2:", x2.varValue)
print("Optimal value of the objective function:", pulp.value(model.objective))

参数说明

• pulp.LpProblem: 创建一个线性规划问题，可以指定问题名称和类型（最小化或最大化）。
• pulp.LpVariable: 定义决策变量，可以指定变量名和范围。
• +=: 添加目标函数或约束条件。
• model.solve(): 求解线性规划问题。
• pulp.LpStatus: 返回求解状态。
• varValue: 返回变量的最优解值。
• pulp.value: 返回目标函数在最优解处的值。

4. 线性规划的建模案例

4.1 油料的采购与加工计划

某加工厂加工一种油，原料为五种油（植物油1、植物油2、非植物油1、非植物油2、非植物油3），每种油的价格和硬度如图表所示。最终生产的成品将以150英镑/吨的价格卖出。每个月能够提炼的植物油不超过200吨，非植物油不超过250吨。假设提炼过程中油料没有损失，提炼费用忽略不计，并且最终的产品的硬度需要在(3-6)之间（假设硬度的混合时线性的）。根据以上信息，制定月采购和加工计划。

假设 $x_1,x_2,x_3,x_4,x_5$ 分别为每月需要采购的原料油吨数， $x_6$ 为每个月加工的成品油吨数，由于不考虑油料损失，存在关系：

$$x_6=x_1+x_2+x_3+x_4+x_5\text{\hspace{1em}(3.4.2)}$$

平均的硬度为：

$$\eta =\frac{{\sum }_{i=1}^5{w}_i{x}_i}{x_6}\text{\hspace{1em}(3.4.3)}$$

加上植物油重量限制和非植物油重量限制，根据题意，可以列出规划模型如下：

$$\begin{array}{rl}\text{minimize}& z=-110x_1-120x_2-130x_3-110x_4-115x_5+150x_6\\ \text{s.t.}& x_1+x_2\le 200\\ & x_3+x_4+x_5\le 250\\ & 8.8x_1+6.1x_2+2.0x_3+4.2x_4+5.0x_5\le 6x_6\\ & 8.8x_1+6.1x_2+2.0x_3+4.2x_4+5.0x_5\ge 3x_6\\ & x_1+x_2+x_3+x_4+x_5=x_6\\ & x_i\ge 0,i=1,2,\dots ,6\end{array}\text{\hspace{1em}(3.4.4)}$$

实现这个问题的代码如下：

from scipy.optimize import linprog# 定义目标函数系数
c = [110, 120, 130, 110, 115, -150]# 定义不等式约束矩阵
A = [[1, 1, 0, 0, 0, 0],             # 植物油重量限制[0, 0, 1, 1, 1, 0],             # 非植物油重量限制[8.8, 6.1, 2.0, 4.2, 5.0, -6],  # 硬度上限[-8.8, -6.1, -2.0, -4.2, -5.0, 3]  # 硬度下限
]# 定义不等式约束右侧常数
b = [200, 250, 0, 0]# 定义等式约束矩阵
aeq = [[1, 1, 1, 1, 1, -1]]  # 总重量等于成品油重量# 定义等式约束右侧常数
beq = [0]# 定义变量的取值范围
bounds = [(0, None), (0, None), (0, None), (0, None), (0, None), (0, 450)]# 求解线性规划问题
res = linprog(c=c, A_ub=A, b_ub=b, A_eq=aeq, b_eq=beq, bounds=bounds)# 打印结果
print(f'Optimal solution: {res.x}')
print(f'Maximum profit: {-res.fun}')  # 由于目标函数是取负，因此要取反得到最大利润

代码详细解释

1. 定义目标函数系数：

   • c = [110, 120, 130, 110, 115, -150]：目标函数的系数，其中最后一项 $x_6$ 的系数是 -150（因为我们要最大化利润，因此在求解时使用负号）。

2. 定义不等式约束矩阵：

   • A = [...]：包含四个不等式约束：
     • [1, 1, 0, 0, 0, 0]：植物油重量限制 $x_1+x_2\le 200$。
     • [0, 0, 1, 1, 1, 0]：非植物油重量限制 $x_3+x_4+x_5\le 250$。
     • [8.8, 6.1, 2.0, 4.2, 5.0, -6]：硬度上限 $8.8x_1+6.1x_2+2.0x_3+4.2x_4+5.0x_5\le 6x_6$。
     • [-8.8, -6.1, -2.0, -4.2, -5.0, 3]：硬度下限 $8.8x_1+6.1x_2+2.0x_3+4.2x_4+5.0x_5\ge 3x_6$。

3. 定义不等式约束右侧常数：

   • b = [200, 250, 0, 0]：对应四个不等式约束的右侧常数。

4. 定义等式约束矩阵：

   • aeq = [[1, 1, 1, 1, 1, -1]]：总重量等于成品油重量 $x_1+x_2+x_3+x_4+x_5=x_6$。

5. 定义等式约束右侧常数：

   • beq = [0]：等式约束右侧常数。

6. 定义变量的取值范围：

   • bounds = [(0, None), (0, None), (0, None), (0, None), (0, None), (0, 450)]：定义各变量的取值范围，所有 $x_i$ 非负，其中 $x_6$ 上限为 450。

7. 求解线性规划问题：

   • 使用 linprog 函数求解线性规划问题，返回结果 res。

8. 打印结果：

   • print(f'Optimal solution: {res.x}')：打印最优解，即各油料采购量。
   • print(f'Maximum profit: {-res.fun}')：打印最大利润（取负号）。

结果解释

代码执行后，五种原料油的采购量分别为 [159.25, 40.7407, 0, 250, 0] 吨，此时总利润可以达到最大，约为 17592 英镑/月。这展示了通过线性规划方法优化采购和加工计划，以实现利润最大化的过程。

4.2 农民承包土地问题

一个农民承包了6块耕地共300亩，准备播种小麦、玉米、水果和蔬菜四种农产品，各种农产品的计划播种面积、每块土地种植不同农产品的单产收益如下表：

问如何安排种植计划，可得到最大收益。

这是一个产销平衡的运输问题。可以建立下列的运输模型：

对上面问题建立模型，并且给出代码

要解决这个农民的种植计划问题，我们可以将其视为一个线性规划问题，目标是最大化收益。在这个问题中，我们有以下信息：

1. 每块地的面积和各块地的面积总和。
2. 每块地种植不同作物的收益。
3. 每种作物的计划种植面积。

基于这些信息，我们可以建立线性规划模型。设 $x_{ij}$ 表示在地块 $i$ 上种植作物 $j$ 的面积，目标是最大化总收益。

模型建立

决策变量

设 $x_{ij}$ 表示在种植作物 $i$ 在地块$j$的种植面积，其中 $i=1,2,\dots ,4$ 分别表示小麦、玉米、水果和蔬菜，$j=1,2,\dots ,6$ 表示地块。

目标函数

最大化总收益：

$$\text{max }Z=\sum _{i=1}^4\sum _{j=1}^6{p}_{ij}{x}_{ij}$$

其中，$p_{ij}$ 表示种植作物 $i$ 在地块 $i$ 上的单产收益。

约束条件

1. 每块地的面积约束：

$$\sum _{i=1}^4{x}_{ij}\le \text{地块 }j\text{ 的面积},j=1,2,\dots ,6$$

2. 每种作物的种植面积约束：

$$\sum _{j=1}^6{x}_{ij}=\text{作物 }i\text{ 的计划种植面积},i=1,2,3,4$$

3. 非负约束：

$$x_{ij}\ge 0,\forall i,j$$

代码实现

以下是使用 scipy.optimize.linprog 来求解该问题的代码：

from scipy.optimize import linprog
import numpy as np# 定义单产收益矩阵 p_ijp = np.array([[500, 800, 1000, 1200],[550, 700, 960, 1040],[630, 600, 840, 980],[1000, 950, 650, 860],[800, 900, 600, 880],[700, 930, 700, 780]]).T# 地块面积land_area = np.array([42, 56, 44, 39, 60, 59])# 作物计划种植面积crop_area = np.array([76, 88, 96, 40])# 将收益矩阵展平c = -p.flatten()# 不等式约束：每块地的总种植面积不超过其面积A_ub = np.zeros((6, 24))for j in range(6):A_ub[j,j::6] = 1b_ub = land_area# 等式约束：每种作物的总种植面积等于其计划面积A_eq = np.zeros((4, 24))for i in range(4):A_eq[i, i * 6:(i + 1) * 6] = 1b_eq = crop_area# 变量范围bounds = [(0, None) for _ in range(24)]# 求解线性规划问题res = linprog(c, A_ub=A_ub, b_ub=b_ub, A_eq=A_eq, b_eq=b_eq, bounds=bounds, method='highs')# 结果展示if res.success:x = res.x.reshape((4, 6))print("最优种植计划 (每块地种植的面积):")print(x)print(f"最大收益: {-res.fun}")else:print("未找到最优解")

参数解释

• c: 目标函数的系数向量，包含所有地块和作物组合的收益（取负号是因为 linprog 默认最小化）。
• A_ub: 不等式约束矩阵，每行对应一个地块，每列对应一个组合。
• b_ub: 不等式约束的右侧常数，每个元素对应地块的面积。
• A_eq: 等式约束矩阵，每行对应一个作物，每列对应一个组合。
• b_eq: 等式约束的右侧常数，每个元素对应作物的计划种植面积。
• bounds: 决策变量的范围，每个变量的取值范围为 [0, ∞)。

该代码通过求解线性规划模型来确定每块地应种植的作物面积，以实现最大收益。

计算结果

最优种植计划 (每块地种植的面积):
[[ 0.  0.  6. 39. 31.  0.][ 0.  0.  0.  0. 29. 59.][ 2. 56. 38.  0.  0.  0.][40.  0.  0.  0.  0.  0.]]
最大收益: 284230.0

补充pulp工具包的解题代码

import pulp
import numpy as np
def transportation_problem(costs, x_max, y_max):row = len(costs)col = len(costs[0])prob = pulp.LpProblem('Transportation Proble',sense=pulp.LpMaximize)var = [[pulp.LpVariable(f'x{i}{j}',lowBound=0,cat=pulp.LpInteger) for j in range(col)] for i in range(row)]# 转为一维flatten = lambda x:[y for l in x for y in flatten(l)] if type(x) is list else [x]prob += pulp.lpDot(flatten(var),costs.flatten())for i in range(row):prob += (pulp.lpSum(var[i]) <= x_max[i])for j in range(col):prob += (pulp.lpSum([var[i][j] for i in range(row)]) <= y_max[j])prob.solve()return {'objective':pulp.value(prob.objective),'var':[[pulp.value(var[i][j]) for j in range(col)] for i in range(row)]}
costs = np.array([[500,550,630,1000,800,700],[800,700,600,950,900,930],[1000,960,840,650,600,700],[1200,1040,980,860,880,780]])
max_plant = [76,88,96,40]
max_cultivation = [42,56,44,39,60,59]
res = transportation_problem(costs, max_plant, max_cultivation)
print(f'最大值为{res["objective"]}')
print("各个变量的取值为：")
print(res['var'])
# 最大值为284230.0
# 各变量的取值为：
# [[0.0, 0.0, 6.0, 39.0, 31.0, 0.0],
#  [0.0, 0.0, 0.0, 0.0, 29.0, 59.0],
#  [2.0, 56.0, 38.0, 0.0, 0.0, 0.0],
#  [40.0, 0.0, 0.0, 0.0, 0.0, 0.0]]

5. 非线性规划工具包介绍

非线性规划（Nonlinear Programming，NLP）涉及优化非线性目标函数，同时满足一组非线性约束。由于非线性问题的复杂性，相较于线性规划，求解非线性规划问题的方法更多样且更复杂。以下是一些常用的非线性规划工具包及其详细内容：

5.1 SciPy的minimize函数

SciPy 库中的 minimize 函数是一个通用的优化器，适用于多种优化问题，包括无约束和有约束的非线性规划问题。

安装SciPy

pip install scipy

使用示例

问题描述：

最小化目标函数：
$$f(x,y)=(x-1{)}^2+(y-2{)}^2$$

约束条件：
$$\{\begin{array}{l}{x}^2+y^2\le 1\\ x+y=1\end{array}$$

import numpy as np
from scipy.optimize import minimize# 定义目标函数
def objective(x):return (x[0] - 1)**2 + (x[1] - 2)**2# 定义约束条件
def constraint1(x):return x[0]**2 + x[1]**2 - 1def constraint2(x):return x[0] + x[1] - 1# 初始猜测
x0 = [0.5, 0.5]# 定义约束
con1 = {'type': 'ineq', 'fun': constraint1}
con2 = {'type': 'eq', 'fun': constraint2}
cons = [con1, con2]# 定义变量的取值范围
bnds = [(0, None), (0, None)]# 使用 minimize 函数求解
solution = minimize(objective, x0, method='SLSQP', bounds=bnds, constraints=cons)# 打印结果
print('Optimal value:', solution.fun)
print('Optimal solution:', solution.x)

参数说明

• objective: 目标函数。
• x0: 初始猜测。
• method: 优化算法（例如，SLSQP、trust-constr等）。
• bounds: 变量的取值范围。
• constraints: 约束条件。

返回值

• solution: 包含优化结果的对象，属性包括 fun（目标函数值）、x（最优解）等。

5.2 Pyomo

Pyomo 是一个强大的 Python 库，用于定义和求解各种优化问题，包括线性规划、非线性规划、混合整数规划等。

安装Pyomo

pip install pyomo

使用示例

问题描述：

最小化目标函数：
$$f(x,y)=(x-1{)}^2+(y-2{)}^2$$

约束条件：
$$\{\begin{array}{l}{x}^2+y^2\le 1\\ x+y=1\end{array}$$

from pyomo.environ import ConcreteModel, Var, Objective, Constraint, SolverFactory# 创建模型
model = ConcreteModel()# 定义变量
model.x = Var(bounds=(0, None))
model.y = Var(bounds=(0, None))# 定义目标函数
model.obj = Objective(expr=(model.x - 1)**2 + (model.y - 2)**2, sense=1)# 定义约束条件
model.con1 = Constraint(expr=model.x**2 + model.y**2 <= 1)
model.con2 = Constraint(expr=model.x + model.y == 1)# 求解模型
solver = SolverFactory('ipopt')
solver.solve(model)# 打印结果
print('Optimal value:', model.obj())
print('Optimal solution: x =', model.x(), ', y =', model.y())

参数说明

• ConcreteModel: 创建一个具体模型实例。
• Var: 定义变量。
• Objective: 定义目标函数。
• Constraint: 定义约束条件。
• SolverFactory: 指定求解器。

返回值

• model.obj(): 目标函数在最优解处的值。
• model.x(), model.y(): 变量的最优解值。

5.3 IPOPT

IPOPT（Interior Point OPTimizer）是一个用于大规模非线性优化的求解器，特别适合处理具有非线性约束的问题。

安装IPOPT

IPOPT 通常与 Pyomo 一起使用，安装命令如下：

pip install ipopt

然后，需要单独下载并安装 IPOPT 可执行文件，并将其路径添加到系统路径中。

使用示例

上面的 Pyomo 示例已经展示了如何使用 IPOPT 求解非线性规划问题。只需在求解器部分指定 ipopt 即可：

solver = SolverFactory('ipopt')
solver.solve(model)

5.4 CVXPY

CVXPY 是一个用于构建和求解凸优化问题的库，但它也可以处理某些非凸问题。CVXPY 提供了一种简单直观的方式来定义优化问题，并使用高效的求解器来找到解。

安装CVXPY

pip install cvxpy

使用示例

问题描述：

最小化目标函数：
$$f(x,y)=(x-1{)}^2+(y-2{)}^2$$

约束条件：
$$\{\begin{array}{l}{x}^2+y^2\le 1\\ x+y=1\end{array}$$

import cvxpy as cp# 定义变量
x = cp.Variable()
y = cp.Variable()# 定义目标函数
objective = cp.Minimize((x - 1)**2 + (y - 2)**2)# 定义约束条件
constraints = [x**2 + y**2 <= 1, x + y == 1]# 定义问题
problem = cp.Problem(objective, constraints)# 求解问题
problem.solve()# 打印结果
print('Optimal value:', problem.value)
print('Optimal solution: x =', x.value, ', y =', y.value)

参数说明

• cp.Variable(): 定义优化变量。
• cp.Minimize(): 定义最小化目标函数。
• cp.Problem(): 定义优化问题，包括目标函数和约束条件。
• problem.solve(): 求解优化问题。

返回值

• problem.value: 目标函数在最优解处的值。
• x.value, y.value: 变量的最优解值。

5.5 各类工具包对比

• scipy.optimize.minimize 是一个通用的优化函数，适用于各种非线性规划问题。
• Pyomo 提供了定义和求解复杂优化问题的强大功能，适用于大规模和复杂的非线性规划问题。
• IPOPT 是一个高效的非线性求解器，特别适合处理大规模非线性约束问题。
• CVXPY 是一个用于构建和求解凸优化问题的库，但它也可以处理某些非凸问题。
  选择哪个工具包取决于具体问题的复杂程度和求解需求。对于简单的非线性问题

scipy.optimize.minimize 可能足够；对于复杂和大规模的问题，Pyomo 和 IPOPT 提供了更强大的功能和灵活性。CVXPY 是一个用于凸优化问题的 Python 库，尽管其设计初衷是解决凸优化问题，但它也可以用于某些非线性规划问题，特别是那些可以表达为凸问题的非线性优化问题。

6. 非线性规划的建模案例

6.1 工地选址

某公司有$6$个建筑工地要开工,每个工地的位置(用平面坐标系$a,b$表示,距离单位:千米)及水泥日用 量$d$(吨)由下表给出。规划设立两个料场位于$A$,$B$,日储量各为20吨。假设从料场到工地之间均有 直线道路相连，试确定料场的位置,并制定每天的供应计划,即从$A$,$B$两料场分别向各工地运送多少吨水泥,使总的吨千米数最小。

规划问题的核心有三样：决策变量，目标函数和约束条件。

决策变量包括哪些？首先两个料场的坐标未知吧，坐标有横纵坐标于是这就有了四个变量；两个料场到六个工地$12$条线路上的运输量也未知吧，于是这就又来了12个变量，一共是$16$个。距离可以用 Euclid 距离来计算。

解题思路

要解决这个问题，我们需要使用线性规划方法，通过设置目标函数和约束条件来优化料场位置和运输计划。具体步骤如下：

1. 决策变量：

   • 料场A的位置 (x1, y1)
   • 料场B的位置 (x2, y2)
   • 从料场A到工地i的运输量 (tA_i)，i = 1,…,6
   • 从料场B到工地i的运输量 (tB_i)，i = 1,…,6

2. 目标函数：

   • 我们的目标是最小化总的吨千米数。即从料场A和B分别到各工地的运输量乘以距离之和：
     $$\text{minimize}\sum _{i=1}^6\left(t{A}_i\cdot \text{dist}(A,工地i)+t{B}_i\cdot \text{dist}(B,工地i)\right)$$

3. 约束条件：

   • 各工地的水泥需求必须得到满足：
     $$t{A}_i+t{B}_i=d_i,i=1,2,...,6$$
   • 每个料场的运输总量不能超过其日储量：
     $$\sum _{i=1}^{6}t{A}_i\le 20$$
     $$\sum _{i=1}^{6}t{B}_i\le 20$$
   • 所有运输量非负：
     $$t{A}_i\ge 0,t{B}_i\ge 0,i=1,2,...,6$$

数学建模公式

我们用Python和优化库（如SciPy或PuLP）来解决这个优化问题。

import numpy as np
from scipy.optimize import minimize# 工地的位置和需求
a = np.array([1.25, 8.75, 0.5, 5.75, 3, 7.25])
b = np.array([1.25, 0.75, 4.75, 5, 6.5, 7.25])
d = np.array([3, 5, 4, 7, 6, 11])# 目标函数
def objective(x):s = 0for i in range(6):s += x[4+i] * np.sqrt((x[0] - a[i])**2 + (x[1] - b[i])**2)s += x[10+i] * np.sqrt((x[2] - a[i])**2 + (x[3] - b[i])**2)return s# 约束条件
constraints = []# 各工地的水泥需求必须得到满足
for i in range(6):constraints.append({'type': 'eq', 'fun': lambda x, i=i: x[4+i] + x[10+i] - d[i]})# 每个料场的运输总量不能超过其日储量
constraints.append({'type': 'ineq', 'fun': lambda x: 20 - sum(x[4:10])})
constraints.append({'type': 'ineq', 'fun': lambda x: 20 - sum(x[10:16])})# 初始猜测
x0 = np.array([0, 0, 0, 0] + [1]*12)# 求解
result = minimize(objective, x0, constraints=constraints)# 结果展示
print("料场A的位置: ({:.2f}, {:.2f})".format(result.x[0], result.x[1]))
print("料场B的位置: ({:.2f}, {:.2f})".format(result.x[2], result.x[3]))
for i in range(6):print("从料场A到工地{}的运输量: {:.2f}吨".format(i+1, result.x[4+i]))print("从料场B到工地{}的运输量: {:.2f}吨".format(i+1, result.x[10+i]))
print("总共运输的最少吨数:{:.2f}吨".format(np.sum(result.x[4:15])))

代码解析

• 目标函数 objective(x)：计算总的吨千米数。
• 约束条件 constraints：包括工地需求的等式约束和料场运输总量的不等式约束。
• 初始猜测 x0：给定一个初始猜测值。
• 求解 minimize(objective, x0, constraints=constraints)：使用SciPy的minimize函数进行求解。

通过上述步骤，我们可以求得料场的最优位置和每天的运输计划。

料场A的位置: (5.75, 5.00)
料场B的位置: (5.75, 5.00)
从料场A到工地1的运输量: 1.50吨
从料场B到工地1的运输量: 1.50吨
从料场A到工地2的运输量: 2.51吨
从料场B到工地2的运输量: 2.49吨
从料场A到工地3的运输量: 2.00吨
从料场B到工地3的运输量: 2.00吨
从料场A到工地4的运输量: 3.51吨
从料场B到工地4的运输量: 3.49吨
从料场A到工地5的运输量: 3.00吨
从料场B到工地5的运输量: 3.00吨
从料场A到工地6的运输量: 5.49吨
从料场B到工地6的运输量: 5.51吨
总共运输的最少吨数:{}吨 30.49

6.2 职称晋级与评审规划

建立模型

为了设计符合要求的职工调薪方案，我们需要解决一个线性规划问题。具体而言，我们有以下几个目标和约束条件：

1. 总工资预算不超过150万元。
2. 每级职工人数不超过编制人数。
3. II、III级职工的晋升人数尽量达到现有人数的20%。

我们将问题分解为三个子问题，并用线性规划的方法来求解。

1) 总工资预算约束

设：

• 由II级晋升为I级的人数为 $x_1$
• 由III级晋升为II级的人数为 $x_2$
• 新招聘的III级职工人数为 $x_3$

总工资预算的约束为：
$$50000(9+x_1)+30000(12-x_1+x_2)+20000(15-x_2+x_3)\le 1500000$$
用松弛变量 $d_1^{-}$ 和 $d_1^{+}$ 表示未满误差和过盈误差，我们有：
$$50000(9+x_1)+30000(12-x_1+x_2)+20000(15-x_2+x_3)+d_1^{-}-d_1^{+}=1500000$$

2) 编制人数约束

每级人数不超过编制规定人数的约束为：
$$9+x_1+d_2^{-}-d_2^{+}=12$$
$$12-x_1+x_2+d_3^{-}-d_3^{+}=15$$
$$15-x_2+x_3+d_4^{-}-d_4^{+}=15$$

3) 晋升人数约束

为了使II级、III级职工的晋升人数尽量达到现有人数的20%，我们有：
$$x_1+d_5^{-}-d_5^{+}=3$$
$$x_2+d_6^{-}-d_6^{+}=3$$

目标函数

目标函数是我们希望最小化的值，它在综合考虑所有约束的偏差后，给出一个最优解。目标函数如下：
$$\text{minimize}{p}_1\cdot d_1^{+}+p_2\cdot (d_2^{+}+d_3^{+}+d_4^{+})+p_3\cdot (d_5^{-}-d_5^{+}+d_6^{-}-d_6^{+})$$

每一项的含义如下：

• $p_1\cdot d_1^{+}$：最小化预算超出的部分。即，尽量避免总工资超出预算。
• $p_2\cdot (d_2^{+}+d_3^{+}+d_4^{+})$：最小化每一级职工人数超过编制人数的部分。即，尽量避免各级职工人数超过编制人数。
• $p_3\cdot (d_5^{-}-d_5^{+}+d_6^{-}-d_6^{+})$：最小化晋升比例的偏差。即，尽量使得II级、III级职工的晋升人数达到预期的20%。

解题代码

from scipy.optimize import linprog
import numpy as np# 定义目标函数的系数 (c)
# c 中每个元素对应一个变量的系数，变量依次为：
# x1, x2, x3, d1-, d1+, d2-, d2+, d3-, d3+, d4-, d4+, d5-, d5+, d6-, d6+
# 其中 p1, p2, p3 是目标函数中不同项的权重
p1, p2, p3 = 1, 1, 1  # 可以根据实际情况调整权重
c = np.array([0, 0, 0, 0, p1, 0, p2, 0, p2, 0, p2, p3, p3, -p3, -p3])# 定义等式约束矩阵 (A_eq) 和等式约束向量 (b_eq)
# A_eq 中每一行对应一个等式约束，每一列对应一个变量
# b_eq 中每个元素对应等式约束的右侧常数值A_eq = np.array([# 预算约束：20000(x1) + 10000(x2) + 20000(x3) + d1- - d1+ = 390000[20000, 10000, 20000, -1, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0],# 编制约束：9 + x1 + d2- - d2+ = 12[1, 0, 0, 0, 0, -1, 1, 0, 0, 0, 0, 0, 0, 0, 0],# 编制约束：12 - x1 + x2 + d3- - d3+ = 15[0, -1, 1, 0, 0, 0, 0, -1, 1, 0, 0, 0, 0, 0, 0],# 编制约束：15 - x2 + x3 + d4- - d4+ = 15[0, 0, -1, 1, 0, 0, 0, 0, 0, -1, 1, 0, 0, 0, 0],# 晋升人数约束：x1 + d5- - d5+ = 3[1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, -1, 1, 0, 0],# 晋升人数约束：x2 + d6- - d6+ = 3[0, 1, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, 0, -1, 1]
])# 定义等式约束右侧的常数值
b_eq = np.array([390000, 3, 15, 15, 3, 3])# 定义变量的边界
# x1 的范围是 [0, 12]，因为现有II级职工人数最多可以升为I级
# x2 的范围是 [0, 15]，因为现有III级职工人数最多可以升为II级
# x3 的范围是 [0, 15]，因为现有III级职工最多可以招聘至编制上限
# d1-, d1+, d2-, d2+, d3-, d3+, d4-, d4+, d5-, d5+, d6-, d6+ 的范围是 [0, 10]，误差范围设置为 0 到 10
bounds = [(0, 12),  # x1(0, 15),  # x2(0, 15),  # x3(0, 10),  # d1-(0, 10),  # d1+(0, 10),  # d2-(0, 10),  # d2+(0, 10),  # d3-(0, 10),  # d3+(0, 10),  # d4-(0, 10),  # d4+(0, 10),  # d5-(0, 10),  # d5+(0, 10),  # d6-(0, 10)   # d6+
]
# 使用 scipy.optimize.linprog 求解线性规划问题
# 参数说明：
# - c: 目标函数的系数
# - A_eq: 等式约束矩阵
# - b_eq: 等式约束右侧的常数值
# - bounds: 每个变量的取值范围
# - method: 使用的方法，这里选择 'highs'，是目前 scipy 中较新的线性规划求解方法
res = linprog(c, A_eq=A_eq, b_eq=b_eq, bounds=bounds, method='highs')# 打印结果
print(res)

理解松弛变量 $d_n^{-}$ 和 $d_n^{+}$

对于约束条件：
$$50000(9+x_1)+30000(12-x_1+x_2)+20000(15-x_2+x_3)\le 1500000$$

我们引入松弛变量 $d_1^{-}$ 和 $d_1^{+}$ 将其转化为等式：
$$50000(9+x_1)+30000(12-x_1+x_2)+20000(15-x_2+x_3)+d_1^{-}-d_1^{+}=1500000$$

• $d_1^{+}$ 表示“过盈误差”，即超出预算的部分。它是一个正数或零。
• $d_1^{-}$ 表示“未满误差”，即预算不足的部分。它也是一个正数或零。

在此等式中，如果总工资 $50000(9+x_1)+30000(12-x_1+x_2)+20000(15-x_2+x_3)$ 刚好等于 1500000，那么 $d_1^{+}$ 和 $d_1^{-}$ 都为零。如果总工资超出1500000元，那么 $d_1^{+}$ 为正，表示超出的金额，$d_1^{-}$ 为零。如果总工资不足1500000元，那么 $d_1^{-}$ 为正，表示不足的金额，$d_1^{+}$ 为零。

7. 整数规划与指派问题

7.1 整数规划的基本概念

整数规划（Integer Programming, IP） 是一种特殊的线性规划问题，其中一些或所有决策变量必须取整数值。整数规划可以分为以下几类：

1. 纯整数规划：所有决策变量必须取整数值。
2. 混合整数规划（Mixed Integer Programming, MIP）：部分决策变量取整数值，其他决策变量可以取连续值。
3. 二进制整数规划（Binary Integer Programming, BIP）：决策变量仅能取0或1的值。

整数规划在实际应用中有广泛的应用，例如在调度问题、资源分配问题、物流问题和资本预算问题中，整数约束往往是必需的。

整数规划的标准形式可以表示为：

minimize c T x subject to A x ≤ b x ∈ Z n 或 x i ∈ { 0 , 1 } , ∀ i \begin{aligned} & \text{minimize} & & c^T x \\ & \text{subject to} & & Ax \leq b \\ & & & x \in \mathbb{Z}^n \quad \text{或} \quad x_i \in \{0, 1\}, \forall i \end{aligned} ​minimizesubject to​​cTxAx≤bx∈Zn或xi​∈{0,1},∀i​

其中，$c$ 和 $b$ 是已知的向量，$A$ 是已知的矩阵，$x$ 是待求解的整数向量。

7.2 分支定界法

分支定界法（Branch and Bound, B&B） 是求解整数规划问题的一种常用方法。它是一种系统的搜索方法，通过构建解空间树来探索所有可能的解，但通过剪枝技术避免了对每一个可能的解进行穷举。

基本步骤：

1. 初始问题求解：首先忽略整数约束，求解相应的线性规划问题，得到松弛问题的最优解。

2. 分支：如果松弛问题的最优解不是整数解，选择一个非整数变量，将问题分解为两个子问题，其中一个子问题约束该变量向下取整，另一个子问题约束该变量向上取整。

3. 界定：对于每个子问题，计算其松弛问题的最优解。如果某个子问题的松弛问题解不可行，或其最优值不优于已知的整数解，则舍弃该子问题。

4. 剪枝：如果子问题的松弛问题解是整数解，并且优于已知最优整数解，则更新当前最优解。继续搜索其他子问题。

5. 终止条件：当所有子问题都被处理或舍弃时，算法终止，当前最优整数解即为最优解。

7.3 指派问题与匈牙利法

指派问题（Assignment Problem） 是一种特殊的整数规划问题，旨在将任务分配给工人、机器或其他资源，以最小化总成本或总时间。

指派问题的标准形式可以表示为：

minimize ∑ i = 1 n ∑ j = 1 n c i j x i j subject to ∑ j = 1 n x i j = 1 , i = 1 , … , n ∑ i = 1 n x j = 1 , j = 1 , … , n x i j ∈ { 0 , 1 } \begin{aligned} & \text{minimize} & & \sum_{i=1}^n \sum_{j=1}^n c_{ij} x_{ij} \\ & \text{subject to} & & \sum_{j=1}^n x_{ij} = 1, \quad i=1, \ldots, n \\ & & & \sum_{i=1}^n x_{j} = 1, \quad j=1, \ldots, n \\ & & & x_{ij} \in \{0, 1\} \end{aligned} ​minimizesubject to​​i=1∑n​j=1∑n​cij​xij​j=1∑n​xij​=1,i=1,…,ni=1∑n​xj​=1,j=1,…,nxij​∈{0,1}​

其中，$c_{ij}$ 是将任务 $i$ 分配给工人 $j$ 的成本，$x_{ij}$ 是二进制变量，当任务 $i$ 被分配给工人 $j$ 时，$x_{ij}=1$，否则 $x_{ij}=0$。

匈牙利法（Hungarian Method） 是一种有效求解指派问题的算法，能够在多项式时间内找到最优解。

匈牙利法的步骤：

1. 构造初始矩阵：从原始成本矩阵中减去每行的最小值，然后减去每列的最小值。

2. 覆盖零：用尽可能少的水平线和垂直线覆盖所有的零。

3. 调整矩阵：如果覆盖零的线数等于矩阵的阶数，则找到最优指派；否则，对未覆盖的元素进行调整，重复覆盖零的过程，直到线数等于矩阵的阶数。

4. 确定最优解：根据调整后的矩阵确定最优指派。

匈牙利法通过一系列矩阵变换和调整，能够有效找到指派问题的最优解，并广泛应用于资源分配、任务调度等领域。

8. 一些拓展

8.1 动态规划与贪心算法

8.2 博弈论与排队论

8.3 多目标规划

8.4 Monte Carlo模拟

9. 一些奇奇怪怪的知识点

9.1 半正定矩阵和正定矩阵分别是什么，两者有什么联系和区别

基本概念

半正定矩阵和正定矩阵是线性代数中的重要概念，常用于二次型、优化理论等领域。它们都与矩阵的特征值和二次型有关。

• 半正定矩阵 (Positive Semidefinite Matrix)

一个对称矩阵 $A\in {\mathbb{R}}^{n\times n}$ 被称为半正定矩阵，如果对于所有的非零向量 $x\in {\mathbb{R}}^n$，都有：

$$x^{T}Ax\ge 0$$

这意味着该矩阵的所有特征值都是非负的。

• 正定矩阵 (Positive Definite Matrix)

一个对称矩阵 $A\in {\mathbb{R}}^{n\times n}$ 被称为正定矩阵，如果对于所有的非零向量 $x\in {\mathbb{R}}^n$，都有：

$$x^{T}Ax>0$$

这意味着该矩阵的所有特征值都是正的。

联系与区别

1. 特征值：

   • 半正定矩阵：所有特征值都是非负的，即 ${\lambda }_i\ge 0$。
   • 正定矩阵：所有特征值都是正的，即 ${\lambda }_i>0$。

2. 二次型：

   • 半正定矩阵：对于所有的 $x\ne 0$， $x^{T}Ax\ge 0$。
   • 正定矩阵：对于所有的 $x\ne 0$， $x^{T}Ax>0$。

3. 定义的强度：

   • 正定矩阵是半正定矩阵的一个特例。所有正定矩阵都是半正定的，但并非所有半正定矩阵都是正定的。

4. 判定方法：

   • 半正定矩阵：检查矩阵的所有特征值是否为非负；或者使用主子式判定法（所有顺序主子式均非负）。
   • 正定矩阵：检查矩阵的所有特征值是否为正；或者使用主子式判定法（所有顺序主子式均正）。

• 半正定矩阵示例

$$A=\left(\begin{array}{cc}1& 0\\ 0& 0\end{array}\right)$$

特征值为 ${\lambda }_1=1$ 和 ${\lambda }_2=0$，因此 $A$ 是半正定的。

• 正定矩阵示例

$$B=\left(\begin{array}{cc}2& 1\\ 1& 2\end{array}\right)$$

特征值为 ${\lambda }_1=3$ 和 ${\lambda }_2=1$，因此 $B$ 是正定的。

总结

半正定矩阵和正定矩阵都涉及矩阵的特征值和二次型。半正定矩阵的特征值非负，正定矩阵的特征值正。正定矩阵是半正定矩阵的一个特例。理解它们之间的联系和区别对深入掌握矩阵理论和应用非常重要。

9.2 线性函数和非线性函数的区别

定义和基本形式

• 线性函数：

  • 一个线性函数具有以下基本形式：
    $$f(x)=ax+b$$
    其中 $a$ 和 $b$ 是常数，$x$ 是自变量。
  • 线性函数的特征是图像是一条直线，其斜率由系数 $a$ 决定，截距由 $b$ 决定。
  • 一般形式的线性函数（多元线性函数）可以表示为：
    $$f(x_1,x_2,\dots ,x_n)=a_1{x}_1+a_2{x}_2+\dots +a_n{x}_n+b$$
    其中 $a_1,a_2,\dots ,a_n$ 是系数，$b$ 是常数。

• 非线性函数：

  • 一个非线性函数不满足线性函数的特性，其形式可以非常多样。例如：
    $$f(x)=a{x}^2+bx+c$$
    或者：
    $$f(x)=e^x,f(x)=\log (x),f(x)=\sin (x)$$
  • 非线性函数的图像通常不是直线，可以是曲线、指数函数、对数函数、三角函数等。
  • 非线性函数在多元情况下的形式也更加复杂，例如：
    $$f(x_1,x_2)=x_1^2+x_2^2$$
    或：
    $$f(x_1,x_2)=e^{x_1{x}_2}$$

超位性和齐次性

• 线性函数：

  • 满足叠加性（超位性）：
    $$f(x_1+x_2)=f(x_1)+f(x_2)$$
  • 满足齐次性：
    $$f(kx)=kf(x)$$
    其中 $k$ 是常数。
  • 因此，线性函数的解可以通过线性组合来求得。

• 非线性函数：

  • 不满足叠加性和齐次性。例如，对于 $f(x)=x^2$：
    $$f(x_1+x_2)\ne f(x_1)+f(x_2)$$
    $$f(kx)\ne kf(x)$$

求解方法

• 线性函数：

  • 可以使用线性代数和线性规划等方法求解。
  • 线性问题通常可以通过矩阵运算、线性方程组的解法（如高斯消元法）等方法解决。

• 非线性函数：

  • 求解方法更加复杂，通常需要数值方法，例如牛顿法、梯度下降法等。
  • 非线性规划问题的求解需要专门的优化算法，如拉格朗日乘数法、约束优化中的KKT条件、遗传算法等。

实际应用

• 线性函数：

  • 应用于许多简单和基础的问题，如线性回归、资源分配、网络流量优化等。
  • 线性模型在工程、经济、物理等领域有广泛应用。

• 非线性函数：

  • 用于描述更复杂的现象，如机器学习中的非线性模型、复杂系统的模拟、生物过程、化学反应、经济学中的非线性动态模型等。
  • 非线性模型能够捕捉复杂关系和行为，因此在现代科学和工程中占据重要地位。

线性函数由于其简单性和易解性，适用于许多基础和简单的问题。而非线性函数虽然复杂，但能够描述和解决更多实际中的复杂现象和问题。因此，在实际应用中，选择线性还是非线性函数取决于问题的性质和要求。

9.3 分支定界法的时间复杂度

分支定界法的时间复杂度因素

1. 问题规模：变量的数量 $N$。
2. 分支数量：每个分支点可能会分解成多个子问题。
3. 搜索树的深度：树的深度等于变量的数量 $N$，因为每个变量都可能需要分支。
4. 剪枝效果：剪枝能够有效减少需要探索的节点数。

指数级复杂度的原因

分支定界法通过递归地分解问题，构建一棵搜索树。每个节点对应一个子问题，并且每个子问题的解空间都是原问题的一个子集。

• 树的构建：假设每次分支将一个问题分成两个子问题，那么在最坏的情况下，树的每一层的节点数会翻倍。因此，对于 $N$ 个变量，最坏情况下树的叶子节点数为 $2^N$。
• 分支和搜索：在最坏的情况下，需要对每个可能的解进行探索。虽然剪枝可以减少实际探索的节点数，但在没有有效剪枝的情况下，复杂度仍然是指数级的。

剪枝的影响

剪枝技术通过排除一些不必要的分支来减少计算量。有效的剪枝可以显著降低实际需要探索的节点数，从而提高算法效率。然而，剪枝的效果很大程度上取决于具体问题和剪枝策略的有效性。

复杂度示例

考虑一个简单的二进制整数规划问题，其中每个变量 $x_i$ 可以取 0 或 1：

minimize c 1 x 1 + c 2 x 2 + … + c N x N subject to ∑ i = 1 N a i j x i ≤ b j , ∀ j ∈ { 1 , 2 , … , M } x i ∈ { 0 , 1 } , ∀ i ∈ { 1 , 2 , … , N } \begin{aligned} & \text{minimize} & & c_1 x_1 + c_2 x_2 + \ldots + c_N x_N \\ & \text{subject to} & & \sum_{i=1}^N a_{ij} x_i \leq b_j, \quad \forall j \in \{1, 2, \ldots, M\} \\ & & & x_i \in \{0, 1\}, \quad \forall i \in \{1, 2, \ldots, N\} \end{aligned} ​minimizesubject to​​c1​x1​+c2​x2​+…+cN​xN​i=1∑N​aij​xi​≤bj​,∀j∈{1,2,…,M}xi​∈{0,1},∀i∈{1,2,…,N}​

对于这个问题，分支定界法在最坏情况下需要探索所有可能的 $2^N$ 个解，即复杂度为 $O(2^N)$。

10. 学习心得

本章学习了线性规划的基本概念、掌握使用Numpy对矩阵进行基本操作（创建、运算、合并、分解）。
处理线性规划问题时，需要对问题进行建模，将线性规划整理为标准形式（程序如matlab底层会将标准形式转换为规范形式进行求解），进行coding得到最优解。
本章的示例中列举两种编程求解方法：scipy的linprog函数 和 pulp工具包

• scipy.optimize.linprog 是一个简单易用的函数，适用于基本的线性规划问题。
• PuLP 提供了更强大的功能和灵活性，适用于复杂的线性规划问题。

对于非线性规划问题，可以使用SciPy的minimize函数、CVXPY等工具包进行编程求解。

求解4.2 农民承包土地问题时，分别使用scipy的linprog函数 和 pulp工具包对模型进行求解；
在求解问题6.2 职称晋级与评审规划时，掌握了一个新技巧：对于未知范围的参数，可以引入松弛变量 $d_n^{-}$ 和 $d_n^{+}$建立模型。

本次还学习了一些拓展知识：动态规划与贪心算法、博弈论与排队论、多目标规划和Monte Carlo模拟。

超级喜欢这句话：我们解决问题的思路是将不熟悉的问题，转换成熟悉的问题。