搜尋(繁體中文或英文)
訊息看板
-
近期文章
線性代數專欄
其他主題專欄
每週問題
數據充分性問題
其他分類
Recent Comments
xmj on 內積的定義 Ning ChingSan on 線性代數的第一堂課──矩陣乘法的定義 momo on 兩岸線性代數用詞參照 訪客 on 克拉瑪公式的簡易幾何證明 悟 on 條件機率與貝氏定理 jeremy on 內積與外積是怎麼來的? 近期最多人點閱
分類
Archives
標籤雲
- Cayley-Hamilton 定理
- Frobenius 範數
- Gram-Schmidt 正交化
- Gramian 矩陣
- Hermitian 矩陣
- Householder 矩陣
- Jordan 典型形式
- LU 分解
- QR 分解
- Schur 定理
- SVD
- Vandermonde 矩陣
- 三角不等式
- 不變子空間
- 么正矩陣
- 二次型
- 代數重數
- 伴隨矩陣
- 內積
- 冪矩陣
- 冪等矩陣
- 冪零矩陣
- 分塊矩陣
- 列空間
- 半正定矩陣
- 反對稱矩陣
- 可交換矩陣
- 可逆矩陣
- 向量空間
- 圖論
- 基底
- 基本列運算
- 奇異值
- 奇異值分解
- 實對稱矩陣
- 對角化
- 座標變換
- 微分方程
- 投影矩陣
- 排列矩陣
- 旋轉矩陣
- 最小多項式
- 最小平方法
- 正交性
- 正交投影
- 正交矩陣
- 正交補餘
- 正定矩陣
- 正規矩陣
- 特徵值
- 特徵向量
- 特徵多項式
- 特殊矩陣
- 相伴矩陣
- 相似
- 矩陣乘法
- 矩陣多項式
- 矩陣指數
- 矩陣範數
- 矩陣譜
- 秩
- 秩─零度定理
- 簡約列梯形式
- 組合數學
- 線性獨立
- 線性變換
- 線性變換表示矩陣
- 行列式
- 行空間
- 譜分解
- 跡數
- 逆矩陣
- 通解
- 零空間
- 高斯消去法
線代線上影音課程
線代學習網站
線代電子書
- A First Course in Linear Algebra (Robert A. Beezer)
- Fundamentals of Linear Algebra (James B. Carrell)
- Linear Algebra (Jim Hefferon)
- Linear Algebra Done Wrong (Sergei Treil)
- Linear Algebra Problems (Jerry L. Kazdan)
- Linear Algebra via Exterior Products (Sergei Winitzki)
- Linear Algebra, Theory and Applications (Kenneth Kuttler)
- Matrix Analysis and Applied Linear Algebra (Carl D. Meyer)
- Notes on Linear Algebra (Peter J. Cameron)
矩陣計算器
LaTeX
Blogroll
-
Join 690 other subscribers
Tag Archives: 線性規劃
線性規劃 (四):單形法
本文的閱讀等級:中級 美國數學家丹齊格 (George Dantzig) 於1947年提出第一個有效的線性規劃算法──單形法,或稱單純形法 (simplex method),被後人譽為線性規劃之父。1946年丹齊格從加州大學柏克萊分校取得博士學位,次年他以數學顧問身分為美國空軍工作,經常他被要求解決一些與規劃相關的問題,譬如,如何配置預算、人力、飛機,及其他資源使達到最佳的成本效益。因為這些問題多少與經濟學有關,丹齊格跑去徵詢經濟學家科普斯曼 (Tjalling Koopmans,1975年諾貝爾經濟學獎得主)。丹齊格設想經濟學家應當早已發展出解線性規劃問題的技術,出乎意料之外,科普斯曼告訴他經濟學家也沒有線性規劃問題的系統化解法。於是在1947年的暑假,丹齊格決定自己著手尋找一個方法[1]。
凸優化──凸函數的最小化
本文的閱讀等級:中級 凸優化 (convex optimization) 是最佳化理論的一個分支。顧名思義,凸優化探討定義於一個凸集的凸函數最小化問題[1]。令 為凸集且 為凸函數。我們的目標要找出一個點 ,使得每一 滿足 。在最佳化理論中, 稱為可行域 (feasible set), 稱為目標函數, 稱為全域最佳解[2]。任一凸優化問題皆可表示為下列標準型: 其中 是凸函數, 是仿射函數,即 ,,。最小平方法與線性規劃是兩種常見的凸優化問題。令 為一個 階實矩陣, 為 維實向量, 為 維實向量。最小平方法是一個無約束 (unconstrained) 最佳化問題: 。 線性規劃標準型問題具有下列形式 (見“線性規劃 (一):標準型問題”): 本文介紹凸優化的一個重要性質:任一局部最佳解 (亦稱相對最佳解) 即為全域最佳解。所謂局部最佳解 是指存在 使得集合 中每一點 滿足 。
線性規劃 (二):端點與基解
本文的閱讀等級:中級 線性規劃的標準型問題具有下列形式: 其中 是一個 階矩陣, 是 維向量, 是 維向量, 是 維未知向量 (見“線性規劃 (一):標準型問題”)。如果 無解,線性規劃問題即不成立。因為這個緣故,我們要求 ,即約束等式的數目不多於未知數的數目。如果 有線性相關的列向量 (row vector),表示系統存在冗餘的約束條件 (可將多餘條件刪除),譬如,,,或約束條件彼此矛盾 (此時系統無解),譬如,,。為了避免捲入這些無謂的情況,以下假設 有 個線性獨立的列向量,即 ,且 (若 ,則 有唯一解)。
線性規劃 (一):標準型問題
本文的閱讀等級:中級 線性規劃 (linear programming) 是一種最佳化問題。顧名思義,線性規劃的目標函數 (objective function) 是未知變數的線性函數,約束條件 (constraints) 則是包含未知變數的線性等式或不等式。儘管最佳化目標與約束條件可能因問題而有所不同,所有的線性規劃問題都可以轉換成下列標準型: 其中 ,,,是給定的實數, 是待決定的未知數。我們之所以將問題寫成標準型,主要的原因是為了執行消去法以化簡線性方程組 (消去法不適用於線性不等式)。針對標準型問題,所謂最佳化是指在滿足 (subject to) 給定的線性方程組,以及未知變數必須為非負值的條件下,尋找可使目標函數最小化的未知變數。因為約束等式可乘以 ,為便利分析,我們假設每一 。線性規劃標準型問題可以用矩陣與向量簡明地表達如下: 上式中, 是一 階矩陣, 是一 維向量, 是一 維向量, 是一 維未知向量。不等式 表示 的每一元皆非負值。本文介紹一些典型的線性規劃問題,並說明如何將給定的問題轉換成標準型。