KARMARKAR标准型转换与迭代算法实现

最新推荐文章于 2025-03-18 10:58:53 发布

原创

最新推荐文章于 2025-03-18 10:58:53 发布 · 1.4k 阅读

标签

#karmarkar

收录于

本文介绍了KARMARKAR算法的标准型转换，详细阐述了迭代过程及其收敛条件，并讨论了在迭代中如何处理步长越界问题。提供了每一步迭代的KARMARKAR函数值和变量值，以便于分析迭代过程，同时附带了一个简单的main函数示例，虽然图表绘制较为粗糙，但能展示算法的基本流程。

KARMARKAR标准型转换与迭代算法实现

karmarkar标准型转换
karmarkar迭代过程
main函数

karmarkar标准型转换

标准型转换的原理就不说了，参见高等数学规划教材。

def trans_to_karmarkar(a, b, c, m, n):

    # 约束矩阵A 等式右端b(列向量) 目标参数c(列向量) 约束数量m 变量数量n

    at = np.transpose(a)
    ct = np.transpose(c)
    bt = np.transpose(b)

    fu_b = -1 * b
    fu_c = -1 * c

    fu_at = -1*at
    fu_bt = -1*bt

    i_n = np.identity(n)
    zero_1 = np.zeros((m, 2*m+n))  # 第一行的0
    zero_2 = np.zeros((n, n))  # 第二行的0
    zero_3 = np.zeros((1, n))  # 第三行的0
    # print(zero_3)
    zero_4 = np.array([[0]])

    e_total = np.ones(2*m+2*n)
    e_last = np.ones((1, 2*m+2*n+2))

    # print(b.shape,c.shape,zero_3.shape)

    b_gang = np.concatenate((b, c, zero_4), axis=0)
    # print(b_gang.shape)
    fu_b_bang = -1*b_gang

    # 按行拼接再按列拼接
    A_plus1 = np.concatenate((a, zero_1), axis=1)
    # print(A_plus1.shape)
    A_plus2 = np.concatenate((zero_2, at, fu_at, i_n), axis=1)
    # print(A_plus2.shape)
    A_plus3 = np.concatenate((ct, fu_bt, bt, zero_3), axis=1)
    # print(A_plus3.shape)
    A_plus = np.concatenate((A_plus1, A_plus2, A_plus3), axis=0)
    # print(A_plus.shape)
    B_ae = b_gang - np.reshape(np.dot(A_plus