【運籌學筆記】 第一章 線性規劃與單純形法

運籌學緒論

運籌學是一門應用於管理有組織系統的科學，根據問題的要求，通過數學分析與計算，做出綜合性的合理安排，以期達到資源的最優化利用。

運籌學考慮系統的整體優化、多學科的配合以及模型方法的應用，其研究可以分爲以下幾個步驟：

1.分析與表述問題。
2.建立模型
3.對問題求解
4.對模型和由模型導出的解進行檢驗
5.建立對解的有效控制
6.方案的實施。

其中，建模是運籌學方法的核心和精髓。

線性規劃與單純形法

線性規劃（Linear programming,簡稱LP），是運籌學中研究較早、發展較快、應用廣泛、方法較成熟的一個重要分支，它是輔助人們進行科學管理的一種數學方法。研究線性約束條件下線性目標函數的極值問題的數學理論和方法。

線性規劃模型的組成要素和特徵

決策變量 指決策者爲實現規劃目標採取的方案、措施，是問題中要確定的未知量。

目標函數 指問題要達到目標的要求，表示爲決策變量的函數。

約束條件 指決策變量取值時受到的各種限制，表示爲決策變量的等式或不等式。

定義：目標決策變量爲可控的連續變量，目標函數和約束條件都是線性的，這類模型稱爲線性規劃模型。

線性規劃問題的一般形式

1.標量形式

決策變量 $\{x_i|i=1,2,...,n\}$

目標函數 $max(min)~z=c_1x_1+c_2x_2+...+c_nx_n$

約束條件 $s.t.=\left\{ \begin{matrix} a_{11}x_1+a_{12}x_2+...+a_{1n}x_n \le(=,\ge)b_1,\\ a_{21}x_1+a_{22}x_2+...+a_{2n}x_n \le(=,\ge)b_2,\\ ~~\vdots\\ a_{m1}x_1+a_{m2}x_2+...+a_{mn}x_n \le(=,\ge)b_m,\\ x_j\ge0~或~x_j\le0~或~x_j無約束 \end{matrix} \right.$

一般用$~n~$表示決策變量的個數，$~m~$代表約束等式/不等式的個數

通常情況下要求$~m<n~$，否則可能導致沒有可行解

2.向量形式

決策變量 $X=(x_1~x_2~\ldots~x_n)^T$

目標函數 $max(min)~z=CX$

約束條件 $s.t.=\left\{ \begin{matrix} \displaystyle\sum_{j=1}^{n}x_jP_j\le(=,\ge)b\\ X\ge 0 \end{matrix} \right.$

其中 $C=(c_1~c_2~...~c_n),P_j=(a_{1j}~a_{2j}~\ldots~a_{mj})^T,b=(b_1~b_2~...~b_m)^T$.

注意列向量$~P\ge Q~$意味着 $\forall i~~P_i\ge Q_i$，矩陣也類似

3.矩陣形式

$max(min)~z=CX\\ s.t.=\left\{ \begin{matrix} AX\le(=,\ge)b\\ X\ge 0 \end{matrix} \right.\\ 其中~C=(c_1~c_2~...~c_n),\\ A=\left[\begin{matrix} a_{11}&a_{12}&\ldots&a_{1n}\\ a_{21}&a_{22}&\ldots&a_{2n}\\ \vdots&\vdots&&\vdots\\ a_{m1}&a_{m2}&\ldots&a_{mn}\\ \end{matrix} \right],X=\left(\begin{matrix}x_1\\x_2\\\vdots\\x_n\\\end{matrix}\right),b=\left(\begin{matrix}b_1\\b_2\\\vdots\\b_n\\\end{matrix}\right)$

稱爲約束方程組變量的係數矩陣，簡稱爲約束變量的係數矩陣。

線性規劃問題的標準形式

對於一般的線性規劃模型缺乏統一的結構，這在問題的求解上無疑增加了一定的難度，因此，我們在定義線性規劃的標準形式如下：

決策變量 $\{x_i|i=1,2,...,n\}$

目標函數 $max(min)~z=c_1x_1+c_2x_2+...+c_nx_n$

約束條件 $s.t.=\left\{ \begin{matrix} a_{11}x_1+a_{12}x_2+...+a_{1n}x_n=b_1,\\ a_{21}x_1+a_{22}x_2+...+a_{2n}x_n=b_2,\\ ~~\vdots\\ a_{m1}x_1+a_{m2}x_2+...+a_{mn}x_n=b_m,\\ x_1\ge0,x_2\ge0,\dots x_n\ge0 \end{matrix} \right.$

其中$~b_j\ge0,1\le j\le m.$

矩陣形式
$max~z=CX\\ s.t.=\left\{ \begin{matrix} AX=b\\ X\ge 0 \end{matrix} \right.$

其中$A\in \mathbb{R}^{m\times n}$是一個行滿秩矩陣

標準形式的轉化

1.目標函數

目標函數的極小值$\Leftrightarrow$目標函數相反數的最大值，即$~min~z=CX \Rightarrow max~z'=-CX$

2.約束條件

$\displaystyle\sum_{i=1}^{n} a_{ij}x_j\le b_i~~\Rightarrow~~\sum_{i=1}^{n} a_{ij}x_j+x_{n+i}=b_i~~(x_{n+i}\ge0)$，其中$~x_{n+i}~$稱爲鬆弛變量

$\displaystyle\sum_{i=1}^{n} a_{ij}x_j\ge b_i~~\Rightarrow~~\sum_{i=1}^{n} a_{ij}x_j-x_{n+i}=b_i~~(x_{n+i}\ge0)$，其中$~x_{n+i}~$稱爲剩餘變量

鬆弛變量可以理解爲資源的剩餘，剩餘變量可以理解爲需求的溢出

$b_i\le0~~\Rightarrow~~b_i=-b'_i,a_{ij}=-a'_{ij}~$其中$~1\le j\le n~,~b'_i\ge0$

3.決策變量

無約束決策變量：$x_j~$無限制$\Rightarrow x_j=x'_j-x''_j~$，其中$x'_j,x''_j\ge0$

非正變量：$x_j\le0\Rightarrow x_j=-x'_j$，其中$~x'_j\ge0$

線性規劃問題的解

可行解：如果一個非負矩陣$~X~$滿足約束方程，則稱矩陣$~X~$爲可行解。

可行域：可行解組成的集合$\Omega=\{X\mid AX=b,X\ge0,X\in\mathbb{R}^n\}$稱爲可行域，可行域中使得目標函數達到最大值的可行解稱爲最優解。

基：若$~B~$是$~A~$的一個$~m\times m~$階的滿秩子矩陣，則稱$~B~$爲線性規劃問題的一個基。$B~$中的每一個列向量用$~P_j~$表示，注意這裏基是一組係數矩陣。
$B=\left[\begin{matrix} b_{11}&b_{12}&\ldots&b_{1m}\\ b_{21}&b_{22}&\ldots&b_{2m}\\ \vdots&\vdots&&\vdots\\ b_{m1}&b_{m2}&\ldots&b_{mm}\\ \end{matrix}\right]=(P_1,P_2,\dots,P_m)$
基解：假設$~B~$爲一個基，可知存在$~x_1,\ldots,x_m~$使得$~x_1P_1+\ldots x_mP_m=b$，則稱$X=(x_1,\ldots,x_m,0,\ldots,0)^T$爲基$~B~$的基解，其中$~x_1,\dots,x_m~$稱爲基變量，其餘的決策變量稱爲非基變量。

基可行解：若滿足變量非負約束條件的基解稱爲基可行解。

可行基：假對應於基可行解的基稱爲可行基。

退化解：當基解中的非零分量小於$~m~$個時，該基解是退化解

解的維恩圖表示：

線性規劃問題的解法

1.圖解法（略） 2.單純形法

預備知識

凸集：假設$~C\subset\mathbb{R}^n$.若對任意$~X,Y\in C~$和$~0<\lambda<1~$,都有$~\lambda X+(1-\lambda)Y\subset C~$,則稱$~C~$爲一個凸集（Convex set）。從直觀上講，凸集沒有凹入部分，其內部也沒有空洞。

凸組合：設向量$~\{x_i\},i=1,2,\dots,n$，如果有實數$\lambda_i\ge0~$且$~ \displaystyle\sum_{i=1}^n \lambda_i=1$,則稱$~\displaystyle\sum_{i=1}^n\lambda_ix_i~$爲向量$~\{x_i\}~$的凸組合（凸線性組合）

頂點：假設$~C~$是凸集，且$~X\in C~$.若不存在$~X_1,X_2\in C~$使得$~X=\lambda X_1+(1-\lambda)X_2~$,其中$0<\lambda<1$，則$~X~$稱爲$~C~$的一個頂點.

凸集內點與其頂點的關係：若$~C~$是有界的凸集，則對任意$~X\in C~$，都可以表示成$~D~$的頂點的凸組合。

幾個基本定理（證明不考）

定理1：若線性規劃問題存在可行解，則其可行域是凸集。
證明：我們我們考察如下的標準形式的線性規劃問題：
$max~z=CX\\ s.t.=\left\{ \begin{matrix} AX=b\\ X\ge 0 \end{matrix} \right.$
兩個不同的解是$~X~$和$~Y~$滿足$~AX=AY=b,X\ge0,Y\ge0~$，則對於任意$~0<\lambda<1$，我們有$~A(\lambda X+(1-\lambda)Y)=b,\lambda X+(1-\lambda)Y\ge0~$.所以可行域爲凸集。

定理2：線性規劃問題的基可行解對應線性規劃問題可行域的頂點。

引理 1：線性規劃問題的可行解 X 爲基可行解的充要條件是 X 的正分量所對應的係數列向量是線性無關的.（由基可行解的定義可知必要性是顯然的. ）

證明：假設$X$爲一個基可行解，若$~X~$不是一個頂點，則可行域中存在兩個不同的點$~Y,Z~$使得$~X=\lambda Y+(1-\lambda)Z,0<\lambda<1~$，不妨設$~X~$只有前$~k~$個分量大於0，顯然$~Y,Z~$後$~n-k~$個分量都爲0，我們有
$\sum_{i=1}^kx_iP_i=b,~\sum_{i=1}^ky_iP_i=b,~\sum_{i=1}^kz_iP_i=b.$

由於$~P_1,P_2,\dots,P_k~$線性無關（也就是方程只有一個解），我們得到$~X=Y=Z~$，與我們的假設矛盾，所以$X$一定是一個頂點。

如果假設$X$是一個頂點，並且假設其只有前$~k~$個分量大於0，若果$~X~$不是一個基可行解，則由引理可知$~P_1,P_2,\dots,P_k~$線性相關，說以存在$~k~$個不爲零的實數使得
$d_1P_1+d_2P_2+\dots+d_kP_k=0\\ D=(d_1,d_2,\dots,d_k,0,\dots,0)^T$
顯然有$~AX=0\rightarrow A(X+sD)=A(X-sD)=b~$，對任意實數$~s~$都成立，$\exist s>0, X+sD\ge0~\wedge~X-sD\ge0$，則$~X~$是可行域中$~X+sD~$和$~X-sD~$的中點，這與$X$是一個頂點矛盾，所以$X$一定是一個基可行解。

定理3：若線性規劃問題存在最優解，則一定存在一個基可行解是最優解。

引理2：若$X$是一個最優解，且$~X=\lambda Y+(1-\lambda)Z~$，其中$~Y,Z~$是兩個可行解，$0<\lambda<1$，則$~CX=CY=CZ~$.（反證法易得）

證明：設$X$是一個最優解，且不妨假設其只有前$k$個分量大於0，若$X$是一個基可行解，則證畢；否則存在$k$個不全爲0的實數使得（5）式成立，且$A(X+rD)=A(X-sD)=b~$對任意實數$~s,r~$都成立，同時$X+rD$和$X-sD$至少有一個正分量的數量小於$~k$。則由上一個引理可知我們得到了一個新的最優解，且這個最優解的正分量的數量小於$~k$，若新的到的最優解依然不是基可行解，重複上面的過程，我們可以得到一個新的最優解，這個最優解的正分量的數量小於$~k$，以此類推，經過有限步之後，我們肯定可以得到一個基可行解. 證畢.

定理4：若線性規劃問題有可行解，則必有基可行解

定理5：若線性規劃問題有最優解，則必有最優基可行解

單純形法

確定初始基可行解

當線性規劃問題全部爲“$\le$”時，在化爲標準型時，加入的m個鬆弛變量所構成的單位矩陣就可以構成一組基：設給定線性規劃問題
$max~z=\sum_{j-1}^n c_jx_j\\ s.t.=\left\{ \begin{matrix} \displaystyle\sum_{j=1}^{n}x_jP_j\le b\\ x_j\ge 0 \end{matrix} \right.$
在第$~i~$個約束條件上加上鬆弛變量$~s_{si},(i=1,\dots,m)$，化爲標準形式
$max~z=\sum_{j-1}^n c_jx_j+0\sum_{i=1}^m x_{si}\\ s.t.=\left\{ \begin{matrix} \displaystyle\sum_{j=1}^{n}a_{ij}x_j+x_{si}=b,(i=1,2,\dots,m)\\ x_j\ge 0 \end{matrix} \right.$
其約束方程的係數矩陣爲
$\left[\begin{matrix} a_{11}&a_{12}&\dots&a_{1n}&1&0&\dots&0\\ a_{21}&a_{22}&\dots&a_{2n}&0&1&\dots&0\\ \vdots&\vdots& &\vdots&\vdots&\vdots& &\vdots\\ a_{m1}&a_{m2}&\dots&a_{mn}&0&0&\dots&1\\ \end{matrix}\right]$
這個係數矩陣中含有一個單位向量$(P_{s1},P_{s2},\dots,P_{sm})$，只要以這個單位矩陣作爲基，就可以立即解出基變量值$~x_{si}=b_i~$，因爲$~b_i\ge0~$,因此$~X=(0,\dots,0,b_1,\dots,b_m)^T$就是一個基可行解。

當線性規劃問題中約束條件包含"$=$“或”$\ge$"時，化爲標準型後一般不包含單位矩陣，這時常用添加人工變量的方法人爲構造一個單位矩陣作爲基，稱爲人工基，具體方法在後面討論。

基可行解的轉換

不失一般性，設初始基可行解爲
$~X^{(0)}=(x^0_1,x^0_2,\dots,x^0_m,\overbrace{0,\dots,0}^{n-m個})^T=\left(\begin{matrix}X_B\\X_N\end{matrix}\right),A=(B~N)$
其中$B$是對應的可行基，相應的，設$C=(C_B,C_N)$，我們有$AX^{(0)}=(B,N)\left(\begin{matrix}X_B\\X_N\end{matrix}\right)=BX_B=b$，我們有$X_B=B^{-1}b,X_N=0$，

此時目標函數值$~z^{(0)}=CX=(C_B~C_N)\left(\begin{matrix}X_B\\X_N\end{matrix}\right)=C_BX_B-C_NX_N=C_BB^{-1}b.$

原始方程組的增廣形式爲：

$\left.\begin{matrix}\\ P_1~&P_2&~~\dots&~~P_m&~P_{m+1}~~&\dots&~~P_j&\dots~&P_n&~~b\\ \end{matrix}\right.\\ \left[\begin{array}{ccccccccc|c} a_{11}&a_{12}&\dots&a_{1m}&a_{1,m+1}&\dots&a_{1j}&\dots&a_{1n}&b_1\\ a_{21}&a_{22}&\dots&a_{2m}&a_{2,m+1}&\dots&a_{2j}&\dots&a_{2n}&b_2\\ \vdots&\vdots&\ddots&\vdots&\vdots&&\vdots&&\vdots&\vdots\\ a_{m1}&a_{m2}&\dots&a_{mm}&a_{m,m+1}&\dots&a_{mj}&\dots&a_{mn}&b_m\\ \end{array}\right]$

因爲$~P_1,P_2,\dots,P_m~$是$~\mathbb{R^m}~$的一組基，所以其餘的$P_j$都可以用這個基來表示，我們可以將$P_j$替換爲$BB^{-1}P_j$，所以有$~B(X_B-\theta B^{-1}P_j)+\theta P_j=b$，我們假設$X_B-\theta B^{-1}P_j\ge0$，那麼我們得到了一個新的可行解
$\tilde{X}=\left(\begin{matrix}X_B-\theta B^{-1}P_j\\0\end{matrix}\right)+\theta e_j$
其中，$e_j~$爲第$~j~$個分量爲1其餘分量爲0的單位列向量，這個可行解的目標函數值爲
$\begin{aligned} \widetilde{z}&=C\tilde{X}\\ &=(C_B~C_N)\left(\left(\begin{matrix}X_B-\theta B^{-1}P_j\\0\end{matrix}\right)+\theta e_j\right)\\ &=C_BX_B+\theta(c_j-C_BB^{-1}P_j)\\ &=z^{(0)}+\theta(c_j-C_BB^{-1}P_j) \end{aligned}$

我們令$~\sigma_j=c_j-C_BB^{-1}P_j$，則$\tilde{z}=z^{(0)}+\theta\sigma_j$，$\sigma_j~$被稱爲檢驗數。

​ 如果$~\sigma_j>0$，則新的可行解可以使目標函數變大，且$~\theta~$應該越大越好. 此時注意到爲了保證$\tilde{X}$是一個可行解，應該有$~X_B-\theta B^{-1}P_j\ge0$，這個$(B^{-1}P_j)$很難處理，我們不妨在求解之前通過初等行變換把$B$化爲單位矩陣（想一想，爲什麼可以這麼做？），即化成

$\left.\begin{matrix}\\ P_1&P_2&\dots&P_m&P_{m+1}&\dots&P_j&\dots&~~P_n&~~b&\\ \end{matrix}\right.\\ \left[\begin{array}{ccccccccc|c} 1&0&\dots&0&a_{1,m+1}&\dots&a_{1j}&\dots&a_{1n}&b_1\\ 0&1&\dots&0&a_{2,m+1}&\dots&a_{2j}&\dots&a_{2n}&b_2\\ \vdots&\vdots&\ddots&\vdots&\vdots&&\vdots&&\vdots&\vdots\\ 0&0&\dots&1&a_{m,m+1}&\dots&a_{mj}&\dots&a_{mn}&b_m\\ \end{array}\right]$

假設$B$是一個單位矩陣且$b>0$，那麼$~\theta~$的最大值顯然是 $\displaystyle\theta^*=min\left\{\left.\frac{b_i}{a_{ij}}\right|a_{ij}>0,1\le i\le m\right\}$，不妨設$\displaystyle\theta^*=\frac{b_r}{a_{rj}}$，則$(P_1,\dots,P_{r-1},P_{r+1},\dots,P_m,P_j)$構成一組新的基，這個基的基解和目標函數值爲

$X^{(1)}=\left(\begin{matrix}X_B-\theta^* B^{-1}P_j\\0\end{matrix}\right)+\theta^* e_j,z^{(1)}=z^{(0)}+\theta^*\sigma_j$

最優性檢驗和解的判別

（1） 當$~\forall~\sigma_j\le0$時，表明現有頂點的目標函數的值比起相鄰各頂點的目標

函數值都大，現以頂點對應的基可行解即爲最優解。（爲什麼局部最優解等於全局最優解？）

（2）當$~\forall~\sigma_j\le0\wedge\exist~ \sigma_r=0$時，$\tilde{X}=\left(\begin{matrix}X_B-\theta B^{-1}P_j\\0\end{matrix}\right)+\theta e_j~$和$~X^{(0)}$的線性組合都是最優解，因此有無限多個解

（3）當$\exist~\sigma_j>0\wedge(\forall~\theta>0)~X_B-\theta B^{-1}P_j\ge0$時，目標函數值可以取到無限大，最優解無界。

單純性法的計算步驟

1. 將問題化爲標準型
2. 求出線性規劃的初始基可行解，列出初始單純形表

	$c$	$c_1~\dots~\dots~c_m~~~c_{m+1}~\dots~\dots~ c_n$
$C_B$	$X_B$	$x_1~\dots~\dots~x_m~~~x_{m+1}~\dots~\dots~ x_n$	$b$	$\displaystyle\theta=\frac{b_i}{a_{ik}}$
$c_1$	$x_1$	$1~~\dots~\dots~~0~~~a_{1,m+1}~\dots\dots~ a_{1n}$	$b_1$	$\theta_1$
$\vdots$	$\vdots$	$\vdots$	$\vdots$	$\vdots$
$\vdots$	$\vdots$	$\vdots$	$\vdots$	$\vdots$
$c_m$	$x_m$	$0~~\dots~\dots~~1~~~a_{m,m+1}~\dots\dots~ a_{mn}$	$b_m$	$\theta_m$
	$\sigma$	$0~~\dots~\dots~~0~~~~\sigma_j=c_j-\sum c_ia_{ij}$

3. 進行最優性檢驗

   如果表中所有檢驗數$~\sigma_j\le0$，則表中的基可行解就是問題的最優解，計算停止。否則繼續下一步。

4. 從一個基可行解轉換到另一個目標值更大的基可行解，列出新的單純形表

   a. 確定換入基的變量。選擇$~\displaystyle\sigma_{in}=max\{\sigma_j~|~\sigma_j>0\}~$對應的變量$~x_{in}~$作爲換入變量。

   b. 確定換出變量。選擇$~\displaystyle\theta_{out}=min\left\{\left.\frac{b_j}{a_{jk}}~\right|~a_{jk}>0\right\}~$對應的變量$~x_{out}~$作爲換出變量

   c. 用$~x_{in}~$替換基變量中的$~x_{out}~$，得到一個新的基。對應新的基可以找出一個新的基可行解，將基變量對應的矩陣化爲單位矩陣，並相應地可以畫出一個新的單純形表。

單純形法的進一步討論

前面討論了在標準型中係數矩陣有單位矩陣，很容易確定一組基可行解。在實際問題中有些模型並不含有單位矩陣，爲了得到一組基向量和初基可行解，在約束條件的等式左端加一組虛擬變量，得到一組基變量。這種人爲加的變量稱爲人工變量，構成的可行基稱爲人工基，用大M法或兩階段法求解，這種用人工變量作橋樑的求解方法稱爲人工變量法。
比如如下線性規劃問題：
$\begin{aligned} &max~z=3x_1+2x_2-x_3\\\\ s.t.=&\left\{\begin{aligned} -4x_1+3x_2+x_3\ge4,\\ x_1-x_2+2x_3\le10,\\ -2x_1+2x_2-x_3=-1,\\ x1\ge0,x_2\ge0,x2\ge0 \end{aligned}\right. \end{aligned}$

首先我們將其化爲標準型：

$\begin{aligned} &max~z=3x_1+2x_2-x_3\\\\ s.t.=&\left\{\begin{aligned} -4x_1+3x_2+x_3&-x_4&&=4,\\ x_1-x_2+2x_3&&+x_5&=10,\\ 2x_1-2x_2+x_3&&&=1,\\ x_j\ge0,1\le j\le 5 \end{aligned}\right. \end{aligned}$

係數矩陣中不存在單位矩陣，無法建立初始單純形表。

大M法

加若干個人工變量$~x~$，他們的目標函數決策係數是一個極小的負數（可以認爲負無窮），以致於人工變量的取值在最優解時不可能不是0，舉一個例子來理解：

解：首先將數學模型

故人爲添加兩個單位向量，得到人工變量單純形法數學模型：

$\begin{aligned} &max~z=3x_1+2x_2-x_3-My_6-My_7~~~(M\rightarrow+\infin)\\\\ s.t.=&\left\{\begin{aligned} -4x_1+3x_2+x_3&-x_4&&+y_6&&=4,\\ x_1-x_2+2x_3&&+x_5&&&=10,\\ 2x_1-2x_2+x_3&&&&+x_7&=1,\\ x_j\ge0,y_6,y_7>0 \end{aligned}\right. \end{aligned}$
M是一個很大的抽象的數，不需要給出具體的數值，可以理解爲它能大於給定的任何一個確定數值，再用前面介紹的單純形法求解該模型。如果最優解對應的基變量中包含人工變量，說明問題無可行解。

兩階段法

第一階段

加入人工變量，第一階段求解的目標函數是隻包含人工變量的輔助問題，令目標函數中其他變量的係數取零，人工變量的係數取某個正的常數（一般取1），在保持原問題約束不變的條件下求這個目標函數極小化的解：
$\begin{aligned} &min~z=y_6+y_7\\\\ s.t.=&\left\{\begin{aligned} -4x_1+3x_2+x_3&-x_4&&+y_6&&=4,\\ x_1-x_2+2x_3&&+x_5&&&=10,\\ 2x_1-2x_2+x_3&&&&+x_7&=1,\\ x_j\ge0,y_6,y_7>0 \end{aligned}\right. \end{aligned}$

人工變量是虛擬的，在最優時不該有取值，必須是0，第一階段的$~z~$必須是0。

1. 如果第一階段求解結果爲$~z\neq0$，說明最優解的基變量中含有非零的人工變量，從而表明原問題無可行解，不必進行第二階段，計算終止。

2. 如果第一階段求解結果$~z=0$，如果輔助問題的最優基變量中沒有人工變量，進入第二階段。

3. 如果第一階段求解結果$~z=0$，如果輔助問題的最優基變量中仍有爲0的人工變量，這表明原問題有退化的情況，在輔助問題的最優的單純形表中有：
   $y_r+\sum_{j\neq r}a_{rj}y_j+\sum_{j\in J_N}a_{rj}x_j=0$
   其中$~J_N~$爲非基變量下標集，這時又分兩種情況：

   (i). 若$~a_{rj}~$全爲0，則人工變量所在行中有原變量（現在是非基變量）下的元素都是0，這表明原問題的約束方程中有多餘的，將其去掉，轉入第二階段。

   (ii). 若$~a_{rj}~$不全爲0，則以$~a_{rs}~$爲主元，進行換基迭代，最後轉入轉入第二階段

第二階段

在原問題中去除人工變量，並由第一階段得到的最優解出發，繼續尋找原問題的最優解。即在第一階段的最優單純形表中去掉人工變量所在的行列，將價值係數改換成原問題的價值係數，進一步迭代，求解原問題。

例題

有空再補$~to~be~continue$