02 Preliminaries

Outline

Standard form LP / LP的标准形式

Embedded assumptions /

• 一个问题想要变成一个LP问题，就一定有一些内含的假设。
• 我们要去探究到底有哪些假设的条件时，我们可以使用这个优化的模型。

Converting to standard form / 转变成标准形式

• 对于不是标准形式的形式，我们如何对其转换

---

02-1 Standard form LP

Key Elements:

• n个有限的变量$x_{1},x_{2},....,x_{n}$x1​,x2​,....,xn​
• 单一的，没有常数项的,线性的，目标函数,且我们的目标一定是最小化.
  • 例如又想马儿跑得快，又想马儿吃的少，这就是两个目标函数了。对于标准的线性规划，只能一个线性目标函数。 $z=c_{1}x_{1}+c_{2}x_{2}+....+c_{n}x_{n}$z=c1​x1​+c2​x2​+....+cn​xn​
• m个有限的等式线性约束（constrains）
  • 仍然是为了标准化，将所有的不等式都要化成等式。
    $a_{11}x_{1}+a_{12}x_{2}+......+a_{1n}x_{n}=b_{1}\\a_{21}x_{1}+a_{22}x_{2}+......+a_{2n}x_{n}=b_{2} \\ ..............................\\ a_{m1}x_{1}+a_{m2}x_{2}+......+a_{mn}x_{n}=b_{m}$a11​x1​+a12​x2​+......+a1n​xn​=b1​a21​x1​+a22​x2​+......+a2n​xn​=b2​..............................am1​x1​+am2​x2​+......+amn​xn​=bm​
• n个有限的决策变量都是非负的：$x_{1}≥0,x_{2}≥0,....,x_{n}≥0$x1​≥0,x2​≥0,....,xn​≥0

Explicit Form

三个要素：决策变量，目标函数，约束条件
$Minimize \ z=c_{1}x_{1}+c_{2}x_{2}+....+c_{n}x_{n}\\ \ \\ subject \ to \hspace{ 4.5cm } \\ a_{11}x_{1}+a_{12}x_{2}+......+a_{1n}x_{n}=b_{1}\\a_{21}x_{1}+a_{22}x_{2}+......+a_{2n}x_{n}=b_{2} \\ ..............................\\ \hspace{0.5cm} a_{m1}x_{1}+a_{m2}x_{2}+......+a_{mn}x_{n}=b_{m}\\ \ \\ x_{1}≥0,x_{2}≥0,....,x_{n}≥0$Minimize z=c1​x1​+c2​x2​+....+cn​xn​ subject toa11​x1​+a12​x2​+......+a1n​xn​=b1​a21​x1​+a22​x2​+......+a2n​xn​=b2​..............................am1​x1​+am2​x2​+......+amn​xn​=bm​ x1​≥0,x2​≥0,....,xn​≥0
$$

简化：矩阵形式（全部都是列向量的形式）
$cost\ vector:c= \left\{ \begin{matrix} c_{1} \\ c_{2} \\ .....\\c_{n} \end{matrix} \right\} \hspace{1cm} sulution \ vector:x= \left\{ \begin{matrix} x_{1} \\ x_{2} \\ .....\\x_{n} \end{matrix} \right\}\hspace{1cm} right-hand-side \ vector:b= \left\{ \begin{matrix} b_{1} \\ b_{2} \\ .....\\b_{n} \end{matrix} \right\}\\ \ \\ constraint \ maxtrix \ :A= \left\{ \begin{matrix} a_{11} &a_{12}&...&a_{1n} \\ a_{21} &a_{22}&...&a_{2n} \\ ... &...&...&... \\ a_{m1} &a_{m2}&...&a_{mn} \\ \end{matrix} \right\}\hspace{8.5cm}$cost vector:c=⎩⎪⎪⎨⎪⎪⎧​c1​c2​.....cn​​⎭⎪⎪⎬⎪⎪⎫​sulution vector:x=⎩⎪⎪⎨⎪⎪⎧​x1​x2​.....xn​​⎭⎪⎪⎬⎪⎪⎫​right−hand−side vector:b=⎩⎪⎪⎨⎪⎪⎧​b1​b2​.....bn​​⎭⎪⎪⎬⎪⎪⎫​ constraint maxtrix :A=⎩⎪⎪⎨⎪⎪⎧​a11​a21​...am1​​a12​a22​...am2​​............​a1n​a2n​...amn​​⎭⎪⎪⎬⎪⎪⎫​
所以，矩阵形式为：
$Min\ c^{T}x \\ s.t. \ Ax=b \\ x≥0$Min cTxs.t. Ax=bx≥0

---

02-2 Embedded assumptions in LP

1.Proportionallity Assumption

• No discount
• No economy of return to scale
• 这一点就是说，优化的过程中，我们严格按照线性的指标来。如一个价格，1KG五块钱，那么2KG就是10块钱，没有折扣，按照比例来。如果有折扣，那就不是线性规划。（动态）

2.Additivity Assumption

• 总量等于分量的和

3.Divisibility Assumption

• 这一点就是说我们的问题里面，可以任意取小数，不论分解到多少部分都可以。价格可以定为2.999999999这样子。线性优化里是没有对整数之类的规定的

4.Certainly Assumption

• Each parameter is known for sure
• 解释：除了变量以外，其他的所有参数，在线性规划中，是确定性的知道的。例如我们想知道配送的各个商品的数量，那么除了数量之外，其他的东西都必须知道。

---

02-3 Converting to standard form

Example:

$Maxmize \hspace{1cm} 3x_{1}-2x_{2}-4|x_{3}|\\\ \\ s.t \ \ -x_{1}+2x_{2}≤-5 \\ 3x_{2}-x_{3}≥6 \\ 2x_{1}+x_{3}=12 \\\ \\ x_{1},x_{2}≥0$Maxmize3x1​−2x2​−4∣x3​∣ s.t  −x1​+2x2​≤−53x2​−x3​≥62x1​+x3​=12 x1​,x2​≥0
我们根据之前的标准形式来看这个例子：

Key elements	Elements of our Example
n个有限的变量	符合，有3个决策变量
单一的，没有常数项的,线性的，目标函数,且我们的目标一定是最小化	不符合，目标函数不是最小化
m个有限的等式线性约束	符合
n个有限的决策变量都是非负的	不符合，x3并没有约束

(1) Unrestricted(Free) variables-对无约束的决策变量的转换，这个方法也可以用来对绝对值的转换

核心原理：每个数都有正的部分和负的部分，例如5，正的部分就是5，负的部分就是0.那么对于任意的在实数域上的数x都有：

即：

• 每个数都等于，自己的正的部分减去负的部分。$\ 5=5-0\\ -5\ =0-5$ 5=5−0−5 =0−5
• 每个数的绝对值都等于自己的正的部分加上自己的负的部分（两个部分都大与等于0）$\ |5|=5+0\\ |-5|\ =5=0+5$ ∣5∣=5+0∣−5∣ =5=0+5

那么根据以上的规则，我们就可以对上面那个例子来进行变化：
$Maxmize \hspace{1cm}3x_{1}-2x_{2}-4(x_{3}^{+}+x_{3}^{-})\\\ \\ s.t \ \ -x_{1}+2x_{2}≤-5 \\ 3x_{2}-(x_{3}^{+}-x_{3}^{-})≥6 \\ 2x_{1}+(x_{3}^{+}-x_{3}^{-})=12 \\\ \\ x_{1},x_{2},x_{3}^{+},x_{3}^{-}≥0$Maxmize3x1​−2x2​−4(x3+​+x3−​) s.t  −x1​+2x2​≤−53x2​−(x3+​−x3−​)≥62x1​+(x3+​−x3−​)=12 x1​,x2​,x3+​,x3−​≥0

（2）Inequality constraints-将约束中的不等变为等式

核心思想：对于每一个不等式，我们都引入一个非负项。使得等式能够成立。例如：对于a>b，我们可以引入一个数c使得，a-c=b成立。这就是基本的思想。

• slack variable 松弛变量
  $a_{i1}x_{1}+a_{i2}x_{2}+......+a_{in}x_{n}≤b_{i}\\ \ \\ add \ a \ slack \ variable \ s_{i}:a_{i1}x_{1}+a_{i2}x_{2}+......+a_{in}x_{n}+s_{i}=b_{i}$ai1​x1​+ai2​x2​+......+ain​xn​≤bi​ add a slack variable si​:ai1​x1​+ai2​x2​+......+ain​xn​+si​=bi​
• excess variable 富余变量
  $a_{i1}x_{1}+a_{i2}x_{2}+......+a_{in}x_{n}≥b_{i}\\ \ \\ subtract \ a \ excess \ variable \ e_{i}:a_{i1}x_{1}+a_{i2}x_{2}+......+a_{in}x_{n}-e_{i}=b_{i}$ai1​x1​+ai2​x2​+......+ain​xn​≥bi​ subtract a excess variable ei​:ai1​x1​+ai2​x2​+......+ain​xn​−ei​=bi​

（3）Minimization of the objective function

记得有两个负号：负负得正！

这时我们的例子就变成这样了：
$(-)Minimize \hspace{1cm}-3x_{1}+2x_{2}+4x_{3}^{+}+4x_{3}^{-}\\\ \\ s.t \ \ -x_{1}+2x_{2}+x_{4}=-5 \\ 3x_{2}-(x_{3}^{+}-x_{3}^{-})-x_{5}=6 \\ 2x_{1}+(x_{3}^{+}-x_{3}^{-})=12 \\\ \\ x_{1},x_{2},x_{3}^{+},x_{3}^{-},x_{4},x_{5}≥0$(−)Minimize−3x1​+2x2​+4x3+​+4x3−​ s.t  −x1​+2x2​+x4​=−53x2​−(x3+​−x3−​)−x5​=62x1​+(x3+​−x3−​)=12 x1​,x2​,x3+​,x3−​,x4​,x5​≥0

(4) More on free variable and absolute value(更多关于*变量和绝对值的问题)

思考，上述化为标准式的式子，就等同于原来的问题了吗？
不，还真不。

Potential probleam

• 首先，我们忽略了一个约束：

$x_{i}^{+}*x_{i}^{+}=0$xi+​∗xi+​=0

• 其次，我们增加了解空间的维度
• 我们忽略的那个约束，可能会带来的问题：思考：5可以写成5-0，也可以写成6-1。很多，如果我们不约束其中一个为0，那么就会有很多可能的新解。这个要仔细体会一下，假设原来的解就是5，我们如果不做限制它拆分为5和0，那么实际上，可以拆分成很多很多的解。
• 还有绝对值的问题（与本例无关）：如果一个目标函数里，我们有一个目标是：$max \ c|x|$max c∣x∣那么我们将其变成求min的目标的时候，它就变成了$min \ -c|x|$min −c∣x∣如果这个常数c是一个正值，这是一个凹函数（concave），无法求最小值。

---

02-4 Conclusion

1 Three elements of LP model：

• decision variables
• objective function
• constraints

2 The embedded assumptions

3 How to convert to standard form

• (1) Unrestricted(Free) variables-对无约束的决策变量的转换，这个方法也可以用来对绝对值的转换

• (2）Inequality constraints-将约束中的不等变为等式

• (3）Minimization of the objective function