2. 线性规划模型的数学形式与标准型

要真正把线性规划用起来，第一步不是急着写代码，而是把现实问题“翻译”成一套统一的数学语言。线性规划模型之所以能被通用算法（如单纯形法、内点法）稳定求解，前提是模型必须落在它规定的形式框架内。本节围绕一般形式、矩阵形式与标准型转化展开，重点讲清楚松弛变量、剩余变量和自由变量这三类“补丁”该怎么加、为什么加，以及模型成立的基本假设与适用边界。

一、一般形式：把目标、约束和符号写清楚

线性规划的一般形式由三部分组成：一个线性目标函数、一组线性约束条件、以及变量的取值限制。设决策变量为 x₁, x₂, …, xₙ，一般形式可写为：

max（或 min） z = c₁x₁ + c₂x₂ + … + cₙxₙ
s.t.  a₁₁x₁ + a₁₂x₂ + … + a₁ₙxₙ ≤（或 =、≥）b₁
      a₂₁x₁ + a₂₂x₂ + … + a₂ₙxₙ ≤（或 =、≥）b₂
      ……
      xⱼ ≥ 0（部分变量可无此限制）

这里要特别注意三点：目标可以是最大化也可以是最小化；约束关系可以是“≤”“=”“≥”中的任意一种，且同一模型中允许混用；变量可以要求非负，也可以允许取负值。正是这种“自由度”，使得一般形式贴近现实，却不利于算法统一处理。因此我们需要一个“标准型”。

二、矩阵形式：把模型压缩成向量与矩阵

当变量和约束数量变多时，逐行书写既冗长又容易出错。用矩阵表达，模型可以压缩为：

max z = cᵀx
s.t.  Ax = b
      x ≥ 0

其中 c 是目标系数列向量，x 是决策变量列向量，A 是 m×n 的约束系数矩阵，b 是右端常数向量。矩阵形式的价值不只是“写得短”：它把模型的结构暴露为“系数矩阵 + 右端项 + 目标向量”三件套，这正是求解器读取模型的标准接口。实际建模时，我们往往先确定 A、b、c 的数值，再交给算法，而不是反复书写代数式。

三、标准型：四个必须满足的条件

线性规划的标准型通常约定为：目标函数求最大值、所有约束均为等式、右端常数 b ≥ 0、所有变量非负。这四个条件不是数学上的唯一选择，而是为了配合单纯形法的表格结构而约定的“通用格式”。任何一般形式都可以通过下面三类变换转化为标准型。

下面这张图把三类变换的“输入—操作—输出”关系集中呈现出来，便于对照记忆：

四、一个完整的转化示例

仍以上图中的模型为例，逐步走一遍转化过程，帮助理解每一步“为什么加、加在哪”：

1. 目标转化：原为 min z = 3x₁ + 2x₂，改为 max z′ = −3x₁ − 2x₂，最优值最后取负。
2. 处理自由变量：x₁ 无符号限制，令 x₁ = x₁′ − x₁″，x₁′, x₁″ ≥ 0。代入后目标变为 −3x₁′ + 3x₁″ − 2x₂。
3. “≥”约束减剩余变量：2x₁ + x₂ ≥ 10 变为 2x₁′ − 2x₁″ + x₂ − e₁ = 10，e₁ ≥ 0。
4. “≤”约束加松弛变量：x₁ + 3x₂ ≤ 18 变为 x₁′ − x₁″ + 3x₂ + s₂ = 18，s₂ ≥ 0。

转化后变量数从 2 个增加到 5 个，约束仍为 2 个等式。变量变多并不是“变复杂”，而是把原本隐含的不等式和符号限制显式化，使算法可以在统一的非负等式框架下迭代。需要提醒的是：松弛变量和剩余变量在最优解中的取值有明确含义——松弛变量大于 0 说明该资源有剩余，等于 0 说明资源恰好用尽（约束起作用）；剩余变量大于 0 说明“超额完成”了最低要求。这些取值在灵敏度分析和结果解读时非常有用。

五、基本假设与适用边界

线性规划之所以“好用”，是因为它建立在一组较强的假设之上。建模前必须逐条核对，否则模型再漂亮也可能给出误导性结论：

这四条假设划定了线性规划的适用边界。实际工作中，若发现模型出现“小数个人”“资源投入翻倍但产出不翻倍”等不合理结果，往往不是求解器出错，而是问题本身越出了线性规划的假设范围。此时正确的做法是换模型（整数规划、非线性规划、鲁棒优化等），而不是强行在线性框架里“凑答案”。