线性规划模型的一种表上矩形作业法

线性规划模型的成熟算法是单纯形法.在单纯形法的基础上,提出一种表上矩形作业法.该方法在简化的单纯形表上,首先确定以枢元及需要更新元素为对角构成的矩形,然后通过矩形顶点元素的运算求得更新元素值,以此求出所有的非枢轴元,进而求得枢轴元和枢元,得出新的单纯形表.例子说明方法形象直观,求解过程简捷有效.     

对偶单纯形法的一个注记

针对运筹学教学难点--对偶单纯形法,通过讨论证明了单纯形表中的列可以视为对偶问题的非基变量的检验数,并讨论了在对偶单纯形法迭代过程中的进基变量与出基变量的确定原则亦如同在单纯形法迭代过程中进基变量与出基变量的确定原则,得出结论是对偶单纯形法本质上就是单纯形法,只是在运用对偶单纯形法解线性规划时需要将单纯形表旋转90°.     

解线性规划问题的一种半单纯形法

本文提出解线性规划问题的一种方法，主要是对约束Ａｘ＝ｂ求初始基可行解时，不必引入人工变量而可直接用旋转运算获得，之后就完全和单纯形法一样求最优解，并提出了判定无可行解的方法和准则，对算法的理论问题也作了证明和解释。     

线性规划问题解法比较

给出单纯形法、大M法、对偶单纯形法适应的线性规划问题的特征,并给出相应解法的一般规律.     

线性规划改进单纯形法的一个注记

求解线性规划的改进单纯形法的算法步骤在表述上有不明确之处,特别是最后一步没有给出向量ξ的一般通式。为此,对改进单纯形法中容易引起混淆的表述给予了进一步的注释,并给出了ξ的一般通式。     

基于单纯形法的线性规划软件设计与实现

线性规划问题的计算比较复杂,当问题的规模较大时人工计算效率低下.借助于计算机的信息处理能力,设计出线性规划软件有助于提高计算效率.分析了线性规划数学模型与单纯形法的数据结构,提出了化标准型的方法与单纯形法迭代计算的步骤,采用Java语言开发出一种新的可视化线性规划计算软件.运行实例表明,该软件具有跨平台的特性,能够显示完整的计算过程,计算结果准确可靠.     

一种改进的单纯形法

改进的单纯形方法可以避免求解线性规划问题出现循环,数值试验表明该方法比单纯形法效率更高。     

线性规划问题的一种改进的单纯形法

提出了一种求解线性规划问题的方法,即对约束Ax=b求初始基可行解时,不必引入人工变量而直接用旋转运算获得,之后利用传统单纯形法求最优解,并给出了该方法的实算例子.     

一类线性规划问题的图上作业法解法

本文给出一类线性规划问题AX=b { X≥O min sum from j=1 to ∞(c_1/x_1/),用图上作业法方法解这类问题,并且处理了退化情况。     

整数线性规划的交集解法

给出ILP问题的交集解法,它是在单纯形法基础上引进一些新概念而形成的,实际上它是单纯形理论的发展。     

含有自由变量的LP问题的单纯形法

本文对含有自由变量（无非负性要求的变量）的ＬＰ问题进行了讨论，在自由变量不 做差的条件下，给出了基可行解的定义，并得到基可行解的存在定理及为最优解的条件。 最后给出直接求解相应ＬＰ问题的早纯形法。该法在求解过程中让自由变量首先进基，以 减少迭代步数。     

变量有上界的线性规划的对偶单纯形方法

给出变量有上界的线性规划问题的对偶单纯形算法, 该算法包含了一般线性规划问题的对偶单纯形算法, 为解变量有上界的线性规划问题提供了又一种方法.     

关于单纯形方法的一点注记

通过高斯－约当消元法,对极小化的标准形式的线性规划问题,求得某个单位矩阵的基B对应的基本解,但此基本解既不是原始问题的可行解,也不是对偶问题的可行解,在此情形下作者给出了直接求解某一类线性规划问题的扩充的单纯形法。     

线性规划的一种外点单纯形算法

提出了一种求解线性规划(LP) 的改进的单纯形法，其迭代过程产生的一部分极点可能出现在可行域外成为不可行极点，因此称之为外点单纯形法.虽然该方法还不能通过复杂性分析证明只需至多n次迭代便可收敛到最优解，但比较Dantzig的沿可行域内边界进行的单纯形法，一般能更快地迭代到达最优点，且在选择旋转主元时，计算量只有温和的增加.     

两阶段单纯形方法的改进

从两阶段单纯形方法出发 ,利用改进单纯形方法得到改进的两阶段单纯形方法     

解一般形式线性规划的一个直接方法

本文提出了一个直接处理一般形式线性规划的算法而不需要把问题转化为标准形(即所有约束都是等式约束,所有变量都是非负的)。由于算法的基本思想与单纯形法相同,所以当应用子标准形式的线性规划问题时此算法化为单纯形法。文中证明了算法的有限步终止性,最后还讨论了可行域不存在极点的情形。     

基于遗传算法和单纯形法的混合优化算法

基于对遗传算法和单纯形法的分析,提出了可结合这两者长处,既有较快收敛性,又能以较大概率得到全局最优的用于组合优化的混合算法,测试结果表明该方法明显优于遗传算法和单纯形法。