MATHEMATICA 組込みシンボル

LinearProgramming

および

の制約条件の下で，量

を最小にするベクトル

を求める．

LinearProgramming

x≥0であり，行列 m と

のペアによって指定される線形制約条件の下で

を最小にするベクトル

を求める．

の各行

の対応する条件は，

の場合は

，

の場合は

，

の場合は

である．

LinearProgramming

m，b，および

によって指定される制約条件の下で

を最小にする．

LinearProgramming

m，b，および

によって指定される制約条件の下で

を最小にする．

LinearProgramming

m，b，および

によって指定される制約条件の下で

を最小にする．

LinearProgramming

x の要素が，RealsかIntegersのどちらかの領域dom にあるものとする．

LinearProgramming

が領域

にあるものとする．

詳細

ベクトル c とそして行列 m のすべての要素が実数であることが要求される．

境界とは，実数，InfinityまたはInfinityでなければならない．

Noneは境界を指定しないことに等しい．

LinearProgrammingは，入力が厳密な有理数である場合は，厳密な有理数または整数の結果を返す．

解が求められないときは，LinearProgrammingは未評価で返される．

入力に近似数が含まれるとき，LinearProgrammingは近似数値解を出す．オプションToleranceは内部比較で使用する許容率を指定する．デフォルト値はTolerance->Automaticである．これは厳密数には厳密な比較を行い，近似数には許容率を使う．

LinearProgrammingでSparseArrayオブジェクトを使うことができる．

Methodとすると，LinearProgrammingは内点法を使う．

例題

すべて閉じる

例 (1)

と暗示的な非負という条件下で

を最小化する：

方程式の制約条件

と暗示的な非負という制約条件下で問題を解く：

方程式の制約条件

と暗示的な非負という制約条件下で問題を解く：

と暗示的な非負という条件下で

を最小化する：

In[1]:=

Out[1]=

方程式の制約条件

と暗示的な非負という制約条件下で問題を解く：

In[2]:=

Out[2]=

方程式の制約条件

と暗示的な非負という制約条件下で問題を解く：

In[3]:=

Out[3]=

スコープ (6)

と下界

,

という制約条件に従って

を最小化する：

と下界

,

という制約条件に従って

を最小化する：

と上界

,

という制約条件に従って

を最小化する：

と暗示的な非負という制約条件に従って

を最小化する：

と

という境界条件のみで

を最小化する：

両変数を整数として同様の問題を解く：

最初の変数を整数として同じ問題を解く：

より規模の大きいLP．この場合は変数が200,000個で制約条件が10,000個のものを解く：

一般化と拡張 (1)

目的，制約条件それに境界はSparseArrayを使って指定することもできる：

オプション (2)

は，機械精度の問題でしか使えないが，

や

より速い：

近似的な解で十分な場合は，ルーズなToleranceオプションを使って解の処理を速めることができる：

特性と関係 (2)

線形計画法問題はMinimizeを使って解くこともできる：

NMinimizeまたはFindMinimumを使って厳密ではない線形計画法の問題を解いてもよい：

考えられる問題 (4)

整数計画法のアルゴリズムは機械数の問題でしか使えない：

（内点）法は機械数にしか使えない：

（内点）法は最適解群の中央の解を返すことがある：

（シンプレックス）法は，常に最適解の角の解を返す：

この場合，最適解群は

から

までの線分上のすべての点である：

法は，問題が実行不可能かあるいは境界を持たないかどうかを常に見分けられる訳ではない：

おもしろい例題 (1)

次は，次元

のKlee-Minty問題をLinearProgramming構文で表している：

スケーリングが内部的に適用されているので，シンプレックス法は非常に速く収束する：