Линейное программирование — математическая дисциплина, посвящённая теории и методам решения экстремальных задач на множествах ${\displaystyle n}$-мерного векторного пространства, задаваемых системами линейных уравнений и неравенств.

Линейное программирование (ЛП) является частным случаем выпуклого программирования, которое в свою очередь является частным случаем математического программирования. Одновременно оно — основа нескольких методов решения задач целочисленного и нелинейного программирования. Одним из обобщений линейного программирования является дробно-линейное программирование.

Многие свойства задач линейного программирования можно интерпретировать также как свойства многогранников и таким образом геометрически формулировать и доказывать их.

Математические исследования отдельных экономических проблем, математическая формализация числового материала проводилась ещё в XIX веке. При математическом анализе процесса расширенного производства использовались алгебраические соотношения, анализ их проводился с помощью дифференциального исчисления. Это давало возможность получить общее представление о проблеме.

Развитие экономики потребовало количественных показателей, и в 1920 годы был создан межотраслевой баланс (МОБ). Он-то и послужил толчком в деле создания и исследования математических моделей. Разработка МОБ в 1924—1925 годах в СССР повлияла на работы экономиста и статистика Василия Васильевича Леонтьева. Он разработал межотраслевую модель производства и распределения продукции.

В 1938 году Леонид Витальевич Канторович в порядке научной консультации приступил к изучению чисто практической задачи по составлению наилучшего плана загрузки лущильных станков (фанерный трест). Эта задача не поддавалась обычным методам. Стало ясно, что задача не случайная.^[1]

В 1939 году Леонид Канторович опубликовал работу «Математические методы организации и планирования производства», в которой сформулировал новый класс экстремальных задач с ограничениями и разработал эффективный метод их решения, таким образом были заложены основы линейного программирования.

Изучение подобных задач привело к созданию новой научной дисциплины линейного программирования и открыло новый этап в развитии экономико-математических методов.

В 1949 году американский математик Джордж Бернард Данциг разработал эффективный метод решения задач линейного программирования (ЗЛП) — симплекс-метод.^[1]

Термин «программирование» нужно понимать в смысле «планирования» (один из переводов англ. programming). Он был предложен в середине 1940-х годов Джорджем Данцигом, одним из основателей линейного программирования, ещё до того, как компьютеры были использованы для решения линейных задач оптимизации.

Метод внутренних точек был впервые упомянут И. И. Дикиным в 1967 году.^[2]. Эти исследования были продолжены в том числе и отечественными учёными. В 1970-е годы В. Г. Жадану удалось получить основные результаты и разработать общий подход к построению методов внутренней точки для решения задач линейного и нелинейного программирования, основанный на преобразовании пространств; предложить барьерно-проективные и барьерно-ньютоновские численные методы.

Общей (стандартной) задачей линейного программирования называется задача нахождения минимума линейной целевой функции (линейной формы) вида^[3]:

${\displaystyle f(x)=\sum _{j=1}^{n}c_{j}x_{j}=c_{1}x_{1}+c_{2}x_{2}+\ldots +c_{n}x_{n}.}$

Задача, в которой фигурируют ограничения в форме неравенств, называется основной задачей линейного программирования (ОЗЛП)

${\displaystyle \sum _{j=1}^{n}a_{ij}x_{j}\geqslant b_{i},\quad (i=1,\;2,\;\ldots ,\;m)}$

${\displaystyle x_{j}\geqslant 0.\quad (j=1,\;2,\;\ldots ,\;n)}$

Задача линейного программирования будет иметь канонический вид, если в основной задаче вместо первой системы неравенств имеет место система уравнений с ограничениями в форме равенства^[4]:

${\displaystyle \sum _{j=1}^{n}a_{ij}x_{j}=b_{i}.\quad (i=1,\;2,\;\ldots ,\;m)}$

Основную задачу можно свести к канонической путём введения дополнительных переменных.

Задачи линейного программирования наиболее общего вида (задачи со смешанными ограничениями: равенствами и неравенствами, наличием переменных, свободных от ограничений) могут быть приведены к эквивалентным (имеющим то же множество решений) заменами переменных и заменой равенств на пару неравенств^[5].

Легко заметить, что задачу нахождения максимума можно заменить задачей нахождения минимума, взяв коэффициенты ${\displaystyle c}$ с обратным знаком.

Рассмотрим задачу о максимальном паросочетании в двудольном графе: есть несколько юношей и девушек, причём для каждых юноши и девушки известно, симпатичны ли они друг другу. Нужно поженить максимальное число пар со взаимной симпатией.

Введём переменные ${\displaystyle x_{ij}}$, которые соответствуют паре из ${\displaystyle i}$-го юноши и ${\displaystyle j}$-й девушки и удовлетворяют ограничениям:

${\displaystyle 0\leqslant x_{ij}\leqslant 1,}$

${\displaystyle x_{1j}+x_{2j}+\ldots +x_{nj}\leqslant 1,}$

${\displaystyle x_{i1}+x_{i2}+\ldots +x_{im}\leqslant 1,}$

с целевой функцией${\displaystyle f=c_{11}x_{11}+c_{12}x_{12}+\ldots +c_{nm}x_{nm}}$, где ${\displaystyle c_{ij}}$ равны 1 или 0 в зависимости от того, симпатичны ли ${\displaystyle i}$-й юноша и ${\displaystyle j}$-я девушка друг другу. Можно показать, что среди оптимальных решений этой задачи найдётся целочисленное. Переменные, равные 1, будут соответствовать парам, которые следует поженить.

Пусть имеется граф (с ориентированными рёбрами), в котором для каждого ребра указана его пропускная способность. И заданы две вершины: сток и исток. Нужно указать для каждого ребра, сколько через него будет протекать жидкости (не больше его пропускной способности) так, чтобы максимизировать суммарный поток из истока в сток (жидкость не может появляться или исчезать во всех вершинах, кроме истока и стока, соответственно).

Возьмём в качестве переменных ${\displaystyle x_{i}}$ — количество жидкости, протекающей через ${\displaystyle i}$-е ребро. Тогда

${\displaystyle 0\leqslant x_{i}\leqslant c_{i},}$

где ${\displaystyle c_{i}}$ — пропускная способность ${\displaystyle i}$-го ребра. Эти неравенства надо дополнить равенством количества втекающей и вытекающей жидкости для каждой вершины, кроме стока и истока. В качестве функции ${\displaystyle f}$ естественно взять разность между количеством вытекающей и втекающей жидкости в истоке.

Обобщение предыдущей задачи — максимальный поток минимальной стоимости. В этой задаче даны стоимости для каждого ребра и нужно среди максимальных потоков выбрать поток с минимальной стоимостью. Эта задача сводится к двум задачам линейного программирования: сначала нужно решить задачу о максимальном потоке, а потом добавить к этой задаче ограничение ${\displaystyle f(x)\geqslant m}$, где ${\displaystyle m}$ — величина максимального потока, и решить задачу с новой функцией ${\displaystyle f(x)}$ — стоимостью потока.

Эти задачи могут быть решены быстрее, чем общими алгоритмами решения задач линейного программирования, за счёт особой структуры уравнений и неравенств.

Имеется некий однородный груз, который нужно перевезти с ${\displaystyle n}$ складов на ${\displaystyle m}$ заводов. Для каждого склада ${\displaystyle i}$ известно, сколько в нём находится груза ${\displaystyle a_{i}}$, а для каждого завода известна его потребность ${\displaystyle b_{j}}$ в грузе. Стоимость перевозки пропорциональна расстоянию от склада до завода (все расстояния ${\displaystyle c_{ij}}$ от ${\displaystyle i}$-го склада до ${\displaystyle j}$-го завода известны). Требуется составить наиболее дешёвый план перевозки.

Решающими переменными в данном случае являются ${\displaystyle x_{ij}}$ — количества груза, перевезённого из ${\displaystyle i}$-го склада на ${\displaystyle j}$-й завод. Они удовлетворяют ограничениям:

${\displaystyle x_{i1}+x_{i2}+\ldots +x_{im}\leqslant a_{i},}$

${\displaystyle x_{1j}+x_{2j}+\ldots +x_{nj}\geqslant b_{j}.}$

Целевая функция имеет вид: ${\displaystyle f(x)=x_{11}c_{11}+x_{12}c_{12}+\ldots +x_{nm}c_{nm}}$, которую надо минимизировать.

Есть матрица ${\displaystyle A}$ размера ${\displaystyle n\times m}$. Первый игрок выбирает число от 1 до ${\displaystyle n}$, второй — от 1 до ${\displaystyle m}$. Затем они сверяют числа и первый игрок получает ${\displaystyle a_{ij}}$ очков, а второй ${\displaystyle (-a_{ij})}$ очков (${\displaystyle i}$ — число, выбранное первым игроком, ${\displaystyle j}$ — вторым). Нужно найти оптимальную стратегию первого игрока.

Пусть в оптимальной стратегии, например, первого игрока число ${\displaystyle i}$ нужно выбирать с вероятностью ${\displaystyle p_{i}}$. Тогда оптимальная стратегия является решением следующей задачи линейного программирования:

${\displaystyle 0\leqslant p_{i}\leqslant 1,}$

${\displaystyle p_{1}+\ldots +p_{n}=1,}$

${\displaystyle a_{1i}p_{1}+a_{2i}p_{2}+\ldots +a_{ni}p_{n}\geqslant c\quad (i=1,\;\ldots ,\;m),}$

в которой нужно максимизировать функцию ${\displaystyle f(p_{1},\;\ldots ,\;p_{n},\;c)=c}$. Значение ${\displaystyle c}$ в оптимальном решении будет математическим ожиданием выигрыша первого игрока в наихудшем случае.

Наиболее известным и широко применяемым на практике для решения общей задачи линейного программирования (ЛП) является симплекс-метод. Несмотря на то, что симплекс-метод является достаточно эффективным алгоритмом, показавшим хорошие результаты при решении прикладных задач ЛП, он является алгоритмом с экспоненциальной сложностью. Причина этого состоит в комбинаторном характере симплекс-метода, последовательно перебирающего вершины многогранника допустимых решений при поиске оптимального решения.

Первый полиномиальный алгоритм, метод эллипсоидов, был предложен в 1979 году советским математиком Л. Хачияном, разрешившим таким образом проблему, долгое время остававшуюся нерешённой. Метод эллипсоидов имеет совершенно другую, нежели симплекс-метод, некомбинаторную природу. Однако в вычислительном плане этот метод оказался неперспективным. Тем не менее, сам факт полиномиальной сложности задач привёл к созданию целого класса эффективных алгоритмов ЛП — методов внутренней точки, первым из которых был алгоритм Н. Кармаркара, предложенный в 1984 году. Алгоритмы этого типа используют непрерывную трактовку задачи ЛП, когда вместо перебора вершин многогранника решений задачи ЛП осуществляется поиск вдоль траекторий в пространстве переменных задачи, не проходящих через вершины многогранника. Метод внутренних точек, который, в отличие от симплекс-метода, обходит точки из внутренней части области допустимых значений, использует методы логарифмических барьерных функций нелинейного программирования, разработанные в 1960-х годах Фиако (Fiacco) и МакКормиком (McCormick).

Еще один метод решения ЛП - использование алгоритма Зейделя:

1. Дана ЛП в канонической форме с ${\displaystyle d}$ переменными и ${\displaystyle m}$ ограничениями, составляющими множество ${\displaystyle H}$.
2. Если ${\displaystyle d=1}$ или ${\displaystyle m=0}$, выведи оптимальное базисное решение ${\displaystyle H}$.
3. Иначе выбери случайное ограничение ${\displaystyle h\in H}$ и рекурсивно рассчитай оптимальное базисное решение для ${\displaystyle H\setminus \{h\}}$.
4. Если оптимальное базисное решение для ${\displaystyle H\setminus \{h\}}$ не нарушает ограничение ${\displaystyle h}$, верни его.
5. Иначе рассчитай пересечение полиэдра ЛП с гиперплоскостью ${\displaystyle h}$ и рекурсивно реши получившуюся ЛП с ${\displaystyle d-1}$ переменной.

Данный метод имеет асимтотическую сложность ${\displaystyle O(m\cdot d!)}$.

Каждой задаче линейного программирования^[6] вида

${\displaystyle \sum _{j=1}^{n}a_{ij}x_{j}\leqslant c_{i},\;i={\overline {1,\;m}};}$

${\displaystyle x_{j}\geqslant 0,\;j={\overline {1,\;n}};}$

${\displaystyle F(x)=\sum _{j=1}^{n}b_{j}x_{j}\to \max }$

можно определённым образом сопоставить некоторую другую задачу линейного программирования, называемую двойственной или сопряжённой по отношению к исходной или прямой. Связь исходной и двойственной задач заключается главным образом в том, что решение одной из них может быть получено непосредственно из решения другой. Дадим определение двойственной задачи по отношению к исходной задаче линейного программирования

Исходная задача	Двойственная задача
${\displaystyle \sum _{j=1}^{n}a_{ij}x_{j}\leqslant c_{i},\;i={\overline {1,\;m}}}$	${\displaystyle y_{i}\geqslant 0,\;i={\overline {1,\;m}}}$
${\displaystyle x_{j}\geqslant 0,\;j={\overline {1,\;n}}}$	${\displaystyle \sum _{i=1}^{m}a_{ij}y_{i}\geqslant b_{j},\;j={\overline {1,\;n}}}$
${\displaystyle F(x)=\sum _{j=1}^{n}b_{j}x_{j}\to \max }$	${\displaystyle T(y)=\sum _{i=1}^{m}c_{i}y_{i}\to \min }$

Если вектора ${\displaystyle x}$ и ${\displaystyle y}$ — допустимые решения прямой и двойственной задачи, то ${\displaystyle F(x)\leqslant T(y)}$, причём равенство достигается тогда и только тогда, когда ${\displaystyle x}$ и ${\displaystyle y}$ — оптимальные решения. Если же целевая функция одной из пары двойственных задач не ограничена (для исходной — сверху, для двойственной — снизу), то область допустимых решений другой задачи — пустая.

Если вектора ${\displaystyle x^{*}}$ и ${\displaystyle y^{*}}$ — оптимальные решения прямой и двойственной задачи, соответственно, то верны следующие равенства

${\displaystyle x_{j}^{*}(\sum _{i=1}^{m}a_{ij}y_{i}^{*}-b_{j})=0,\;j={\overline {1,\;n}};}$

${\displaystyle y_{i}^{*}(\sum _{j=1}^{n}a_{ij}x_{j}^{*}-c_{i})=0,\;i={\overline {1,\;m}}.}$

То есть, для оптимальных решений прямой и двойственной задачи, ненапряженным (выполняется строгое неравенство) ограничениям соответствуют нулевые переменные, а ненулевым переменным (входящим в опорный план) соответствуют напряжённые (нестрогое неравенство реализуется, как равенство) ограничения. Но могут быть и нулевые переменные, соответствующие напряжённым ограничениям.

Эти свойства двойственных решений позволяют существенно сократить время решения, если приходится решать задачу, с числом ограничений много большим количества переменных. Тогда можно, решив двойственную задачу, найти её опорный план, после чего, отобрав в прямой задаче только ограничения, соответствующие опорному плану (все эти ограничения должны быть напряжены), решить для них обычную систему линейных уравнений.

Теорема. Двойственная двойственной задачи ЛП является прямая задача ЛП.

Доказательство: Рассмотрим прямую ЛП вида ${\displaystyle \max c^{T}}$ при условии ${\displaystyle Ax\leqslant b,x\geqslant 0}$. Сопоставим ей двойственную ЛП и получим ${\displaystyle \min b^{T}y}$ при условии ${\displaystyle A^{T}y\geqslant c,y\geqslant 0}$. Приведем ее к другой форме, эквивалентной по смыслу: ${\displaystyle \max -b^{T}y}$ при условии ${\displaystyle -A^{T}y\leqslant -c,y\geqslant 0}$. Вновь сопоставим ей двойственную ЛП и получим ${\displaystyle \min -c^{T}x}$ при условии ${\displaystyle -Ax\geqslant -b,x\geqslant 0}$. Приведем ее в эквивалентную форму и получим ЛП идентичную исходной: ${\displaystyle \max c^{T}}$ при условии ${\displaystyle Ax\leqslant b,x\geqslant 0}$.

lp_solve — открытое программное обеспечение (лицензия LGPL GNU Стандартная общественная лицензия GNU для библиотек) для решения линейных уравнений. LpSolve имеет IDE, собственный C API, и множество других программных интерфейсов для Java, AMPL, MATLAB, Wolfram Mathematica, O-Matrix, Sysquake, Scilab, Octave, FreeMat, Euler, Python, Sage, PHP, R и Microsoft Solver Foundation.

• Нелинейное программирование
• Алгоритм Данцига
• Графический метод решения задачи линейного программирования
• Дробно-линейное программирование
• Модель «затраты — выпуск»

• Абрамов Л. М., Капустин В. Ф. Математическое программирование. — Учебное пособие. — Л.: ЛГУ, 1981. — 328 с.
• Акоф Р., Сасиени М. Основы исследования операций. — Пер. с англ. В. Я. Алтаева., под ред. И. А. Ушакова. — М.: Мир, 1971. — 551 с.
• Акулич И. Л. Глава 1. Задачи линейного программирования, Глава 2. Специальные задачи линейного программирования // Математическое программирование в примерах и задачах. — М.: Высшая школа, 1986. — 319 с. — ISBN 5-06-002663-9.
• Астафьев Н. Н. Бесконечные системы линейных неравенств в математическом программировании. — М.: Наука, 1991. — 134 с.
• Ашманов С. А., Тимохов А. В. Теория оптимизации в задачах и упражнениях. — М.: Наука, 1991. — 446 с.
• Гасс С. Линейное программирование. — М.: Физико-математическая литература, 1961. — 300 с.
• Давыдов Э. Г. Исследование операций. — М.: Высшая школа, 1990. — 382 с.
• Дегтярёв Ю. И. Исследование операций. — Учебник для вузов. — М.: Высшая школа, 1986. — 320 с.
• Зуховицкий С. И., Авдеева Л. И. Линейное и выпуклое программирование. — М.: Наука, 1966. — 348 с.
• Карманов В. Г. Математическое программирование. — 3-е издание. — М.: Наука, 1986. — 288 с.
• Кузнецов А. В., Сакович В. А., Холод Н. И. Высшая математика. Математическое программирование. — Минск.: Вышейшая школа, 1994. — 286 с.
• Томас Х. Кормен и др. Глава 29. Линейное программирование // Алгоритмы: построение и анализ = Introduction to Algorithms. — 2-е изд. — М.: «Вильямс», 2006. — С. 1296. — ISBN 5-8459-0857-4.
• Юдин Д. Б., Гольштейн Е. Г. Линейное программирование. — М.: Наука, 1969. — 424 с.
• Данциг Дж. Б. Воспоминания о начале линейного программирования.
• Габасов Р., Кириллова Ф. М. Методы линейного программирования. — Минск: БГУ, 1977. — 176 с.

• Linear Program Solver (LiPS) — Бесплатный оптимизационный пакет, предназначенный для решения задач линейного, целочисленного и целевого программирования.
• Вершик А. М. O Л. В. Канторовиче и линейном программировании
• Слайды по линейному программированию
• Большакова И. В., Кураленко М. В. Линейное программирование. Учебно-методическое пособие к контрольной работе.  (недоступная ссылка с 13-05-2013 [4074 дня])
• Барсов А. С. Что такое линейное программирование // Популярные лекции по математике, Гостехиздат, 1959.
• Вялый М. Н. Линейные неравенства и комбинаторика. — МЦНМО, 2003.