1. 项目概述：为什么线性规划是数学建模的“第一块基石”

如果你刚开始接触数学建模，或者正准备参加相关的竞赛，那么“线性规划”这个概念，你大概率是绕不开的。它常常被放在各类教程的第一章，不是没有道理的。很多人第一次看到“线性规划”这四个字，可能会觉得它高深莫测，充满了复杂的数学符号和抽象的理论。但在我十多年的建模和教学经验里，线性规划恰恰是连接现实问题与数学模型最直接、最有效的一座桥梁。你可以把它理解为数学建模工具箱里那把最趁手、最通用的“瑞士军刀”。

简单来说，线性规划要解决的核心问题，就是在一组线性等式或不等式的约束条件下，寻找一个线性目标函数的最大值或最小值。这句话听起来有点绕，我举个例子你就明白了。想象你是一个工厂的生产经理，手上有有限的原材料、机器工时和工人，你需要决定生产A、B两种产品各多少，才能在资源有限的情况下，让总利润达到最高。这里的“利润”就是你的目标函数（你想让它最大），“原材料、工时”的限制就是约束条件，而“生产A、B各多少”就是你需要决策的变量。当利润和所有资源消耗都与产量成简单的正比关系时，这个问题就是一个典型的线性规划问题。

为什么说它是“基石”？因为现实世界中，大量的问题在初次抽象时，都可以近似为线性关系。从物流公司的运输路线优化，到投资组合的风险收益平衡，再到广告投放的预算分配，其底层逻辑往往都能用线性规划来刻画。掌握了它，你就掌握了将一团乱麻的现实问题，梳理成清晰数学结构的基本能力。更重要的是，线性规划有成熟、高效的求解算法（如单纯形法），这意味着一旦你建立了模型，几乎总能有可靠的工具帮你算出最优解。这种“建模-求解-得到答案”的完整闭环，对于建立建模信心至关重要。所以，无论你是学生、工程师，还是数据分析师，花时间啃下线性规划这一章，绝对是一笔高回报的投资。

2. 线性规划的核心要素与标准形式拆解

要玩转线性规划，首先得把它拆解清楚，明白每个部分代表什么。一个完整的线性规划模型，离不开三个核心要素：决策变量、目标函数和约束条件。我们继续用上面那个工厂的例子，来把这三个要素具象化。

2.1 决策变量：问题的“方向盘”

决策变量就是你能够控制、需要做出决定的因素。在我们的例子里，就是“产品A的产量”和“产品B的产量”。我们通常用 x₁, x₂, ..., xₙ 来表示它们。这些变量有一个非常重要的特征：连续性。在标准的线性规划中，我们假设可以生产3.5个产品，或者投资127.83元钱。也就是说，决策变量在可行域内可以取任何实数值（当然，非负约束是常见前提）。这一点和后续要学的整数规划有本质区别。确定决策变量，是建模的第一步，也是最关键的一步，它直接定义了你的“决策空间”。

2.2 目标函数：你要去的“目的地”

目标函数描述了你要优化的那个指标。对于工厂经理，目标就是最大化总利润。假设生产一个A产品利润是5元，一个B产品利润是4元，那么总利润 Z = 5x₁ + 4x₂。我们的目标就是最大化 Z，即 max Z = 5x₁ + 4x₂。当然，目标也可以是成本最小化、时间最短化等，对应的就是 min 目标函数。目标函数必须是决策变量的线性组合，这是“线性”二字的根本体现，意味着变量之间没有相乘、相除，也没有平方、开方等非线性关系。

2.3 约束条件：路上的“交通规则”

你不可能无限地生产，因为资源是有限的。这些限制就是约束条件。比如，生产每个A产品需要2小时机时，每个B产品需要1小时机时，而每天总机时只有8小时，那么约束条件可以写为：2x₁ + 1x₂ ≤ 8。同样，原材料、市场需求、政策规定等，都可以转化为类似的线性不等式（或等式）。约束条件共同划定了决策变量的可行域，也就是所有可能解的集合。你的最优解，必须落在这个可行域之内。

注意：初学者最容易犯的错误，就是把非线性的关系强行线性化，或者遗漏了关键的约束条件。比如，如果产量大到一定程度，单位产品的利润可能会因为市场饱和而下降（经济学中的边际效应递减），这就不是线性关系了。在建模初期，需要仔细审视问题背景，判断线性假设是否合理。

2.4 标准形式：统一的“语法”

为了便于理论分析和软件求解，我们通常把线性规划模型写成标准形式。标准形式主要有两个约定：

1. 目标函数统一为求最小值（min）。如果是求最大值（max），只需将目标函数系数全部乘以-1，即可转化为求最小值。例如，max Z = 5x₁ + 4x₂ 等价于 min -Z = -5x₁ -4x₂。
2. 所有约束条件统一为等式（=），且右端常数项非负。对于不等式约束，我们需要引入松弛变量或剩余变量来将其化为等式。
   • 对于“≤”约束，如 2x₁ + x₂ ≤ 8，我们加上一个松弛变量 s（s ≥ 0），变成 2x₁ + x₂ + s = 8。s 可以理解为未被利用的剩余资源。
   • 对于“≥”约束，如 x₁ + x₂ ≥ 4，我们减去一个剩余变量 e（e ≥ 0），变成 x₁ + x₂ - e = 4。e 可以理解为超额完成的部分。

此外，标准形式通常还隐含了决策变量非负的约束，即 x₁ ≥ 0, x₂ ≥ 0。这是符合大多数实际场景的（产量、投资额不能为负）。

所以，一个标准形式的线性规划模型看起来是这样的：

min c₁x₁ + c₂x₂ + ... + cₙxₙ subject to: a₁₁x₁ + a₁₂x₂ + ... + a₁ₙxₙ = b₁ a₂₁x₁ + a₂₂x₂ + ... + a₂ₙxₙ = b₂ ... ... aₘ₁x₁ + aₘ₂x₂ + ... + aₘₙxₙ = bₘ x₁, x₂, ..., xₙ ≥ 0 (松弛/剩余变量也 ≥ 0)

其中，cⱼ 是目标函数系数，aᵢⱼ 是约束系数矩阵中的元素，bᵢ 是右端常数项（通常要求 bᵢ ≥ 0）。

3. 图解法和单纯形法：从几何直观到代数通用

理解了模型，接下来就是怎么求解。对于只有两个决策变量的问题，我们可以用一种非常直观的方法——图解法。而对于任意多个变量的问题，则需要依靠强大的代数算法——单纯形法。

3.1 图解法：二维世界里的“寻宝游戏”

图解法是理解线性规划几何意义的绝佳工具。我们以这个简单问题为例：

max Z = 5x₁ + 4x₂ s.t. 2x₁ + x₂ ≤ 8 x₁ + 2x₂ ≤ 6 x₁, x₂ ≥ 0

第一步：绘制约束区域。在 x₁-O-x₂ 坐标系中，将每个不等式先当作等式画出直线。

• 直线 2x₁ + x₂ = 8：过点 (0,8) 和 (4,0)。
• 直线 x₁ + 2x₂ = 6：过点 (0,3) 和 (6,0)。 然后，根据不等式确定直线的哪一侧是满足条件的。例如，对于 2x₁ + x₂ ≤ 8，取原点(0,0)测试，0≤8成立，所以包含原点的那一侧（直线左下侧）是可行域。对所有约束都这么操作，这些半平面的交集，再加上非负象限，就构成了一个凸多边形区域，这就是可行域。本例中，可行域是一个四边形，顶点分别为 O(0,0), A(0,3), B(?, ?), C(4,0)。其中B点是两条直线 2x₁ + x₂=8 和 x₁ + 2x₂=6 的交点，联立方程解得 B(10/3, 4/3)。

第二步：寻找最优解。目标函数 Z = 5x₁ + 4x₂ 可以改写为 x₂ = - (5/4)x₁ + Z/4。这是一组斜率为 -5/4 的平行线，Z 的不同值对应直线的不同截距（Z/4）。我们的目标是最大化 Z，也就是寻找一条斜率为 -5/4 且与可行域有交点的直线，使其截距最大。 沿着目标函数梯度方向（即系数向量(5,4)的方向，垂直于目标函数等值线）平移这条直线。你会发现，当这条直线平移到刚好经过可行域的某个顶点时，再往外平移就将离开可行域。这个最后接触的顶点，就是最优解。在本例中，这个顶点就是 B(10/3, 4/3)。代入目标函数，得到最大利润 Z_max = 5*(10/3) + 4*(4/3) = 66/3 = 22。

图解法的启示：

1. 可行域是一个“凸集”（集合内任意两点的连线仍在集合内）。
2. 最优解如果存在，必然在可行域的某个“顶点”（或称“极点”）上达到。这个结论是单纯形法的理论基础。
3. 可能有无穷多最优解（当目标函数直线与可行域的一条边重合时），也可能无解（可行域为空集），也可能解无界（可行域朝目标函数增长方向无限延伸）。

实操心得：图解法虽然只适用于二维，但它是检验你对线性规划基本概念（可行域、目标函数等值线、顶点最优）理解程度的试金石。在初期，哪怕问题变量很多，也建议尝试构造一个二维简化版本来画图理解，这对培养建模直觉非常有帮助。

3.2 单纯形法：高维空间的“顶点导航仪”

当变量和约束增多，图解法就无能为力了。这时就需要单纯形法。你可以把单纯形法想象成一个在高维凸多面体（可行域）的顶点之间智能跳跃的导航仪。它从一个初始的可行顶点（基本可行解）出发，沿着多面体的棱，从一个顶点移动到相邻的另一个顶点，每次移动都保证目标函数值不下降（求min时）或不上升（求max时），直到找到最优顶点为止。

单纯形法的核心步骤：

1. 化为标准形并建立初始单纯形表：引入松弛变量，将问题化为标准形。松弛变量和原始变量中，一部分被选为“基变量”（其值由等式约束直接决定且非负），另一部分为“非基变量”（暂时设为0）。将方程组和目标函数用非基变量表示，填入一张表格（单纯形表）。
2. 最优性检验：查看目标函数行（检验数行）。对于最大化问题，如果所有非基变量的检验数都 ≤ 0，说明当前顶点已是最优，算法停止。否则，选择一个检验数 > 0 的非基变量作为“入基变量”（让它从0增加，能使目标函数增长）。
3. 确定离基变量：根据最小比值法则，确定哪个基变量会随着入基变量的增加而最先降到0，这个变量就是“离基变量”。
4. 枢轴变换（旋转运算）：以入基变量和离基变量交叉点的元素为“枢轴元”，进行行变换，使得入基变量对应的列变为单位向量（该元素为1，同列其他元素为0）。这相当于代数上完成了基变量的更替，几何上就是从当前顶点移动到了相邻顶点。
5. 迭代：得到新的单纯形表，回到第2步进行最优性检验，直至找到最优解。

单纯形表示例（接上图解法例子，化为标准形后）：初始问题：max Z = 5x₁ + 4x₂, s.t. 2x₁+x₂≤8, x₁+2x₂≤6, x₁,x₂≥0。 引入松弛变量 s₁, s₂ ≥ 0，化为标准形：

max Z = 5x₁ + 4x₂ + 0*s₁ + 0*s₂ s.t. 2x₁ + x₂ + s₁ = 8 x₁ + 2x₂ + s₂ = 6 x₁, x₂, s₁, s₂ ≥ 0

初始时，令非基变量 x₁=0, x₂=0，则基变量 s₁=8, s₂=6。这是一个明显的可行顶点(O点)。建立初始单纯形表：

第一轮迭代：

• 检验数：x₁列(-5), x₂列(-4)。因为求max，负检验数表示增加该变量能使Z增加。选择检验数绝对值最大的 x₁（-5）作为入基变量（通常选最负的，称为Dantzig规则，收敛快）。
• 比值计算：s₁行 8/2=4；s₂行 6/1=6。最小比值是4，对应s₁行，所以s₁为离基变量。
• 枢轴变换：以第一行第一列的元素2为枢轴元，将该行除以2，并用行变换将x₁列其他元素（包括检验数行）消为0。 变换后新表：

此时，基变量为 x₁=4, s₂=2，非基变量为 x₂=0, s₁=0。对应顶点C(4,0)。目标值Z=20。

第二轮迭代：

• 检验数行，x₂列(-3/2)仍为负，故选择x₂入基。
• 比值计算：x₁行 4/(1/2)=8；s₂行 2/(3/2)=4/3。最小比值是4/3，对应s₂行，所以s₂离基。
• 枢轴变换：以第二行第二列元素3/2为枢轴元。 变换后新表：

此时，检验数行全部非负（对于max问题，已是最优性条件）。最优解为 x₁=10/3, x₂=4/3, s₁=0, s₂=0，最大目标值 Z=22。这与图解法结果完全一致。

注意事项：单纯形法在理论上不是多项式时间算法（存在让单纯形法遍历几乎所有顶点的“病态”问题），但在实际应用中，它异常高效，通常能在O(m+n)次迭代内收敛。现代优化软件（如MATLAB的linprog、Python的scipy.optimize.linprog）内部都实现了高度优化的单纯形法或更先进的内点法。

4. 对偶理论：每一个线性规划问题都有一位“影子伴侣”

这是线性规划理论中最精妙、也最具实用价值的部分之一。每一个线性规划问题（称为原问题），都伴随着另一个与之紧密相关的线性规划问题，称为它的对偶问题。它们就像一枚硬币的两面。

如何写出对偶问题？有一个简单的规则（以对称形式为例）： 原问题 (P):

min cᵀx s.t. Ax ≥ b x ≥ 0

其对偶问题 (D):

max bᵀy s.t. Aᵀy ≤ c y ≥ 0

这里，x是原问题的决策变量，y是对偶问题的决策变量（称为对偶变量或影子价格）。如果原问题约束是不等式（≥），那么对偶变量 y ≥ 0；如果是等式约束，则对偶变量 y 无符号限制。

对偶理论的核心定理与应用：

1. 弱对偶定理：对于任意可行解x（原问题）和y（对偶问题），总有 cᵀx ≥ bᵀy。即原问题的最小值总是不小于对偶问题的最大值。
2. 强对偶定理：如果原问题和对偶问题之一有有限最优解，那么另一个也有有限最优解，并且两者的最优值相等。
3. 互补松弛定理：在最优解处，要么原问题的约束是紧的（取等号），要么对应的对偶变量为0；反之亦然。这为检验最优性提供了条件。

对偶变量的经济解释——影子价格：这是对偶理论最闪光的应用。在对偶问题中，变量 yᵢ 代表了原问题第 i 种资源（对应第 i 个约束）的边际价值。具体来说，yᵢ* 表示在原问题最优解附近，第 i 种资源每增加一个单位，所能带来的目标函数最优值的改进量（对于min问题是减少量，对于max问题是增加量）。

回到工厂例子，原问题是最大化利润，约束是资源（机时、工时）上限。其对偶问题就是在求解每种资源的“真实内部价值”。假设我们求得最优对偶变量 y₁* = 1（对应机时约束），y₂* = 2（对应工时约束）。这意味着：

• 在当前最优生产计划下，如果机器工时能增加1小时，总利润最多能增加1元。
• 如果工人工时能增加1小时，总利润最多能增加2元。 这个信息对管理者极其重要！它告诉你哪种资源是瓶颈（影子价格高），增加哪种资源对提升利润最有效。如果市场上租用一小时机器工时的成本低于1元，那么租用就是划算的；如果高于1元，则不应增加。影子价格为资源分配和采购决策提供了精确的量化的依据。

实操心得：在利用软件求解线性规划后，一定要查看并解读对偶变量的值（影子价格）。它往往比最优解本身蕴含更多的管理洞察。例如，在投资组合优化中，影子价格可以告诉你每单位风险承受能力的增加，能带来多少预期收益的提升；在物流配送中，它可以告诉你每个仓库容量或每条路径带宽的边际价值。

5. 灵敏度分析：当世界发生变化时，你的最优解还稳健吗？

我们建立模型时使用的数据（目标函数系数cⱼ、约束右端常数bᵢ、约束系数aᵢⱼ）往往是估计值或预测值。市场价格会波动，资源供应会变化，工艺会改进。灵敏度分析要回答的问题是：当这些参数在多大范围内变动时，当前求得的最优基（即哪些变量是基变量）保持不变？最优基不变，意味着最优解的结构（哪些变量取正值，哪些为0）不变，尽管其具体数值可能会变。

灵敏度分析主要关注三类参数的变化：

1. 目标函数系数 cⱼ 的变化：这会影响检验数。对于非基变量，cⱼ的变化不能使其检验数从非最优变为最优（对于max问题，不能从≤0变为>0）。对于基变量，cⱼ的变化会影响所有非基变量的检验数，需要保证它们仍满足最优性条件。软件报告会给出每个cⱼ的“允许增加量”和“允许减少量”。
2. 约束右端常数 bᵢ 的变化：这会影响基变量的取值，但不会直接影响检验数（只要对偶变量y不变）。bᵢ的变化必须保证所有基变量的值仍为非负（可行性条件）。软件会给出每个bᵢ的“允许增加量”和“允许减少量”。在这个范围内，最优基不变，但最优解的值会变，并且目标函数最优值的变化量等于影子价格 yᵢ* 乘以 bᵢ 的变化量（这就是对偶变量的意义）。
3. 约束系数矩阵 A 的变化：增加一个新变量或一个新约束。这相当于改变了问题的维度。对于增加新变量，可以计算其“缩减成本”（相当于检验数），如果满足最优性条件，则当前解仍最优，否则需要将新变量纳入基中重新迭代。对于增加新约束，需要检查当前最优解是否满足该新约束，如果满足，则仍最优；否则，需要将该约束引入并继续求解。

灵敏度分析报告解读示例（基于工厂例子的软件输出）：假设软件求解后，除了给出最优解 (x₁=10/3, x₂=4/3)，还给出了如下灵敏度报告：

• 目标函数系数范围：
  • x₁的系数5：允许增加 3，允许减少 1。即系数在 [4, 8] 内变化时，最优基（x₁和x₂是基变量）不变。
  • x₂的系数4：允许增加 2，允许减少 2。即系数在 [2, 6] 内变化时，最优基不变。
• 约束右端项范围：
  • 机时约束右端8：允许增加 4，允许减少 4。即机时资源在 [4, 12] 小时内变化时，最优基不变。
  • 工时约束右端6：允许增加 6，允许减少 2。即工时资源在 [4, 12] 小时内变化时，最优基不变。

这份报告极具管理价值。它告诉管理者：

• 产品A的利润在4元到8元之间波动时，最优的生产组合（生产A和B）策略不需要改变。
• 如果机器工时在4到12小时之间，我们不需要调整生产哪种产品的决策（但具体产量会变），增加的利润可以用影子价格1元/小时来估算。

注意事项：灵敏度分析给出的范围是“最优基不变”的范围，而不是“最优解不变”的范围。在范围内，最优解的具体数值通常会随着参数变化而线性变化。同时，这些范围是单个参数变化时的独立范围。如果多个参数同时变化，情况会复杂得多，可能需要使用“百分之百法则”进行粗略判断，或者直接重新求解模型。

6. 线性规划建模实战与软件求解

理论最终要服务于实践。我们用一个更综合的例子，来走一遍完整的线性规划建模与求解流程。

问题描述（营养配餐问题）：某食堂需要为学生配餐，要求每份餐食至少提供热量2000千卡，蛋白质55克，钙800毫克。现有六种食材可供选择，其每千克营养成分、价格及每日可用上限如下表：

请问如何搭配这些食材，才能在满足营养需求的前提下，使每份餐食的成本最低？

6.1 模型建立

1. 决策变量：设每份餐食中各种食材的使用量（千克）为 x₁（大米）, x₂（面粉）, x₃（鸡蛋）, x₄（牛奶）, x₅（牛肉）, x₆（菠菜）。
2. 目标函数：最小化总成本。min Z = 5x₁ + 4x₂ + 8x₃ + 6x₄ + 30x₅ + 2x₆。
3. 约束条件：
   • 营养需求约束（至少）：
     • 热量：3500x₁ + 3400x₂ + 1500x₃ + 600x₄ + 2000x₅ + 250x₆ ≥ 2000
     • 蛋白质：80x₁ + 100x₂ + 120x₃ + 40x₄ + 200x₅ + 20x₆ ≥ 55
     • 钙：100x₁ + 30x₂ + 600x₃ + 1100x₄ + 50x₅ + 900x₆ ≥ 800
   • 食材可用量约束（上限）：
     • x₁ ≤ 0.5, x₂ ≤ 0.3, x₃ ≤ 0.2, x₄ ≤ 0.5, x₅ ≤ 0.1, x₆ ≤ 0.4
   • 非负约束：x₁, x₂, ..., x₆ ≥ 0。

6.2 软件求解（以Python SciPy为例）

import numpy as np from scipy.optimize import linprog # 目标函数系数 (min) c = np.array([5, 4, 8, 6, 30, 2]) # 不等式约束矩阵 A_ub * x <= b_ub # 我们有两种不等式：营养需求是 >=，食材上限是 <=。需要统一为 <= 形式。 # 对于营养需求 >=，两边乘以 -1 变为 <=。 A_ub = np.array([ [-3500, -3400, -1500, -600, -2000, -250], # 热量 >= 2000 -> -热量 <= -2000 [-80, -100, -120, -40, -200, -20], # 蛋白质 >= 55 [-100, -30, -600, -1100, -50, -900], # 钙 >= 800 [1, 0, 0, 0, 0, 0], # x1 <= 0.5 [0, 1, 0, 0, 0, 0], # x2 <= 0.3 [0, 0, 1, 0, 0, 0], # x3 <= 0.2 [0, 0, 0, 1, 0, 0], # x4 <= 0.5 [0, 0, 0, 0, 1, 0], # x5 <= 0.1 [0, 0, 0, 0, 0, 1] # x6 <= 0.4 ]) b_ub = np.array([-2000, -55, -800, 0.5, 0.3, 0.2, 0.5, 0.1, 0.4]) # 变量边界 (x >= 0)，默认就是0到正无穷，所以不用特别指定，但这里我们显式写出下界。 x_bounds = [(0, None)] * 6 # 下界为0，上界为None（无穷） # 求解 res = linprog(c, A_ub=A_ub, b_ub=b_ub, bounds=x_bounds, method='highs') # 'highs'是推荐的内点法求解器 print("优化状态:", res.message) print("最小成本 (元):", round(res.fun, 2)) print("最优食材用量 (kg):") ingredients = ['大米', '面粉', '鸡蛋', '牛奶', '牛肉', '菠菜'] for i, name in enumerate(ingredients): print(f" {name}: {res.x[i]:.4f}")

运行结果可能类似于：

优化状态: Optimization terminated successfully. 最小成本 (元): 12.86 最优食材用量 (kg): 大米: 0.0000 面粉: 0.3000 鸡蛋: 0.2000 牛奶: 0.5000 牛肉: 0.0000 菠菜: 0.4000

6.3 结果分析与解读

根据求解结果：

• 最优配餐方案：使用面粉0.3kg，鸡蛋0.2kg，牛奶0.5kg，菠菜0.4kg。不使用大米和牛肉。
• 最低成本：约12.86元。
• 约束情况：面粉、鸡蛋、牛奶、菠菜的用量都达到了上限，说明这些食材因其性价比高，在最优解中被用满。大米和牛肉未被使用，可能是因为在满足营养约束下，它们的“营养-成本”比不如其他食材。
• 影子价格分析：我们可以从求解器的res对象中获取对偶变量（res.ineqlin.marginals，注意SciPy的符号约定）。分析这些影子价格，可以知道：
  • 哪个营养约束是“紧”的（恰好满足），其影子价格表示该营养要求每提高1单位，成本至少要增加多少元。
  • 哪个食材上限约束是“紧”的，其影子价格表示该食材上限每放松1kg，成本能降低多少元。这对于采购决策（是否要增加某种食材的采购量）有指导意义。

实操心得：用软件求解时，务必检查求解状态（res.success和res.message），确保模型被正确求解。对于“≥”约束，在化为标准形式时处理符号要格外小心。解读结果时，不仅要看最优解和最优值，更要结合影子价格进行经济或管理上的分析，这是线性规划模型价值升华的关键一步。

7. 常见问题、误区与排查技巧

在实际建模和求解中，你会遇到各种问题。这里总结一些典型场景和应对策略。

7.1 模型无可行解

现象：软件提示“infeasible”（不可行）。原因：约束条件相互矛盾，不存在同时满足所有约束的点。比如，一个要求 x ≤ 5，另一个要求 x ≥ 10。排查：

1. 仔细检查每个约束的逻辑和单位是否一致。
2. 检查是否有“硬性”约束过于严格。例如，在营养配餐中，如果所有食材的蛋白质总量上限都低于需求下限，则必然无解。
3. 可以尝试逐步放松某些约束，看是否能找到可行解，从而定位矛盾的约束组。

7.2 模型解无界

现象：软件提示“unbounded”（无界）。对于最大化问题，目标函数值可以趋向正无穷；对于最小化问题，可以趋向负无穷。原因：可行域朝目标函数优化的方向是开放的，且没有约束将其限制住。例如，max x， s.t. x ≥ 0。排查：

1. 检查是否遗漏了关键的约束条件，特别是限制决策变量增长的上限约束。
2. 检查目标函数系数的符号是否正确。

7.3 存在多重最优解

现象：软件求出一个最优解，但你可能发现目标函数等值线与可行域的一条边（或面）重合。判断：在单纯形法最终表中，如果存在某个非基变量的检验数为0，则说明存在多重最优解。让这个检验数为0的非基变量入基，进行一次枢轴变换，就能得到另一个最优顶点解。意义：管理者可以在不牺牲目标值（如利润、成本）的前提下，在其他指标（如风险、稳定性、公平性）上做出更优选择。

7.4 退化与循环

现象：在单纯形法迭代中，基变换后目标函数值没有改进（称为退化），极端情况下可能导致无限循环（理论上可能，实践中极其罕见）。应对：现代求解器都采用了抗退化和防循环策略（如Bland规则、扰动法）。在实际使用中，基本不用担心这个问题。

7.5 数值不稳定与尺度问题

现象：模型数据量级差异巨大（如系数既有0.0001又有100000），导致求解器计算时出现较大舍入误差，甚至误判最优性。解决：

1. 缩放：在建模阶段，尽量让约束矩阵中各系数的数量级保持一致。可以对行（约束）或列（变量）进行缩放。
2. 提高精度：使用高精度求解器或调整求解器的容差参数（如tol）。
3. 检查输入：确保输入数据没有错误。

7.6 线性假设不成立

现象：实际问题中的关系并非严格的线性比例关系。应对：

1. 分段线性化：对于某些非线性函数（如带有固定成本、折扣的价格函数），可以用分段线性函数来近似。
2. 使用其他模型：如果非线性关系是核心且不可忽略，则需要考虑非线性规划、整数规划等更复杂的模型。线性规划是第一步的近似，其价值在于快速给出一个基准解和洞察。

给新手的最后建议：从线性规划开始你的建模之旅，重点培养“将文字描述转化为数学表达式”的能力。多练习，从简单的例子开始，亲手用图解法画一画，用软件算一算，再尝试解读影子价格和灵敏度报告。当你能够熟练地为一个小型资源分配或计划问题建立线性规划模型并求解分析时，你就已经掌握了数学建模中最核心、最常用的一套思维工具。这套工具，将会在你后续学习更复杂的整数规划、非线性规划、动态规划时，成为你坚实的地基。