数学规划中绝对值线性化的双路径解析

1. 绝对值线性化在数学规划中的重要性

数学规划中的绝对值函数就像一把双刃剑，它既能帮助我们建立更精确的模型，又常常给求解带来不小的麻烦。想象一下你在规划一条送货路线，既要考虑送货距离（总是正数），又要考虑不同方向的运输成本，这时候绝对值函数就派上用场了。但问题来了，大多数优化算法更喜欢处理"温顺"的线性函数，而不是"带刺"的非线性绝对值函数。

这就是绝对值线性化的价值所在。通过巧妙的数学变换，我们可以把难啃的绝对值函数转化为线性约束，让标准线性规划求解器能够轻松处理。在实际应用中，这种技巧广泛应用于投资组合优化（处理正负收益）、资源分配（考虑过剩和不足）以及工程设计（处理误差范围）等场景。

我遇到过不少初学者，他们常常困惑为什么需要大费周章地进行线性化处理。其实原因很简单：线性规划已经有非常成熟的求解算法和工具，而处理非线性问题往往需要更复杂的算法和更多的计算资源。通过线性化，我们可以用更简单、更可靠的方法解决原本复杂的问题。

2. 第一种线性化方法：约束法解析

2.1 核心思路与数学表达

第一种方法我习惯称之为"约束法"，它的核心思想非常直观：用一个新变量z来"包裹"原来的x。具体来说，对于每个绝对值项|x_i|，我们引入一个对应的变量z_i，然后通过两组约束条件确保z_i始终不小于x_i的正负值。

数学表达上，原始问题： min ∑c_i|x_i| s.t. Ax ≥ b

转化为： min ∑c_i z_i s.t. Ax ≥ b x_i ≤ z_i ∀i -x_i ≤ z_i ∀i

这种方法的精妙之处在于，在最小化目标函数的驱动下，z_i会自动"收紧"到恰好等于|x_i|的值。因为如果z_i比|x_i|大，求解器为了最小化目标，会尽量减小z_i，直到碰到约束边界。

2.2 实际应用案例

让我们看一个实际的库存管理例子。假设我们需要最小化库存波动成本，其中超额库存和缺货都会产生成本，但成本系数可能不同。用第一种方法建模：

原始问题： min 2|I_1| + 3|I_2| s.t. 生产约束...

线性化后： min 2z_1 + 3