{
  "id": "integer-programming",
  "title": "整数规划",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "整数规划在部分或全部变量必须取整数值的约束下，求解决策的最优方案。",
  "category": "mathematics",
  "subcategory": "applied",
  "type": "concept",
  "aliases": [
    "整数优化",
    "IP"
  ],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/integer-programming/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/integer-programming/",
      "json": "https://aiwiki.page/en/integer-programming.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "整数规划是数学优化的一个分支，其中部分或全部决策变量必须取整数值。它用于表示不可分割的数量和离散选择，例如安装多少台机器，或是否开设某个设施。研究最广泛的形式是整数线性规划，它将这些取值限制与线性的目标函数和线性约束相结合。这里的“规划”指构建和求解优化模型，而不是编写计算机代码。(web.mit.edu)"
    },
    {
      "heading": "数学形式与变体",
      "text": "混合整数线性规划可写为\n\n\\[\\begin{aligned} \\min_x\\quad &c^{\\mathsf T}x\\\\ \\text{约束条件为}\\quad &Ax\\leq b,\\\\ &\\ell\\leq x\\leq u,\\\\ &x_j\\in\\mathbb Z\\qquad(j\\in I). \\end{aligned}\\]\n\n其中，\\(A\\) 是系数矩阵，\\(b\\) 包含约束的界限值，\\(c\\) 包含目标函数的系数，\\(I\\) 指定受整数约束的变量。不属于 \\(I\\) 的变量可以取实数值。模型也可以包含等式约束、下界不等式约束，或采用最大化目标。可行集由同时满足代数约束和变量取值范围限制的所有赋值组成。(gurobi.com)\n\n在纯整数规划中，每个决策变量都受整数约束。混合整数规划同时包含整数变量和连续变量。二元整数规划将变量限制为 \\(0\\) 或 \\(1\\)，因而适合表示“是或否”的决策。整数规划也包括非线性模型；仅有整数性要求并不意味着模型是线性的。具有二次目标函数或二次约束的模型，构成了介于线性模型与一般非线性模型之间的重要类别。(web.mit.edu)"
    },
    {
      "heading": "离散决策建模",
      "text": "二元变量可将逻辑学中的许多规则转化为线性约束。如果 \\(y_A\\) 和 \\(y_B\\) 表示两个行动是否发生，那么 \\(y_A\\leq y_B\\) 就表示“执行行动 A 必须执行行动 B”。不等式 \\(y_A+y_B\\leq1\\) 禁止同时选择两者，而 \\(\\sum_j y_j=1\\) 则要求从一组选项中恰好选择一个。这些构造将整数模型与布尔代数联系起来。(docs.mosek.com)\n\n标准的背包问题是在容量 \\(W\\) 的限制下，选择价值为 \\(v_j\\)、重量为 \\(w_j\\) 的物品：\n\n\\[\\max\\sum_jv_jy_j,\\qquad \\sum_jw_jy_j\\leq W,\\qquad y_j\\in\\{0,1\\}.\\]\n\n相关模型可用于描述项目选择和资本预算问题，也可能包含多项资源约束。二元选择还可以与连续的活动水平关联起来：\\(0\\leq q\\leq My\\) 规定，只有在 \\(y=1\\) 时，产量 \\(q\\) 才能为正。这是一种大 M 建模方法，其中 \\(M\\) 必须是有效的上界。这类模型可表示固定启用成本和设施开设决策。(web.mit.edu)"
    },
    {
      "heading": "松弛与几何解释",
      "text": "去除整数性限制后，便得到线性规划松弛，可用线性规划的方法求解。其可行域包含所有整数可行解。因此，对于最小化问题，松弛问题的最优值是整数最优值的下界；对于最大化问题，则是上界。如果松弛问题的某个最优解已经满足整数性要求，那么它也是原问题的最优解。对分数解简单取整，并不一定能保持可行性或最优性。(gurobi.com)\n\n例如，在约束 \\(2x+2y\\leq3\\) 且 \\(x,y\\) 为非负整数的条件下，最大化 \\(x+y\\)。松弛问题的最优值为 \\(1.5\\)，而整数最优值为 \\(1\\)。将松弛问题的最优解 \\((0.75,0.75)\\) 的各坐标分别四舍五入为 \\((1,1)\\)，就会违反约束。\n\n从几何角度看，线性不等式定义了一个凸多面体，而整数性要求则选出其中的格点。这些格点的凸包是理想的线性松弛：只要最优解存在，在该凸包上优化线性目标函数，就能得到整数最优值。然而，要显式描述这个凸包，可能需要大量不等式。(arxiv.org)"
    },
    {
      "heading": "求解方法",
      "text": "分支定界法将问题系统地划分为多个子问题。如果某个整数变量在松弛解中的值为 \\(3.6\\)，分支操作就会建立 \\(x_j\\leq3\\) 和 \\(x_j\\geq4\\) 两种情形，在不遗漏任何整数可能取值的前提下排除该分数值。当一个子问题不可行、其界限表明它无法改进当前已知的最佳可行解，或其松弛问题得到整数最优解时，就不再继续探索该子问题。这样便无需显式枚举每一种候选赋值。(gurobi.com)\n\n割平面法添加对所有整数解都成立、但被某些选定分数解违反的不等式。将割平面与分支相结合，就得到分支割平面法，这是整数优化的核心框架之一。求解器还会使用预处理和启发式方法：预处理用于简化模型，而启发式方法用于寻找可行解，以改进当前最佳解并增强剪枝效果。(arxiv.org)\n\n对于最小化问题，当前最佳可行解提供上界 \\(U\\)，搜索过程则提供下界 \\(L\\)。最优性间隙衡量两者之间的差距。在精确算术下，两者相等即可证明最优性；实际求解中，也可能依据指定的绝对或相对容差终止计算。仅有一个可行解，并不能证明其最优性。(gurobi.com)"
    },
    {
      "heading": "复杂性与模型质量",
      "text": "在计算复杂性理论中，一般的整数线性优化具有NP难性。这种最坏情况下的分类并不意味着每个实例都很难求解：实际求解性能在很大程度上取决于问题结构和建模方式。(csc.kth.se)\n\n某些具有特定结构的模型，其线性松弛的顶点均为整数。特别地，如果 \\(A\\) 是全幺模矩阵，且 \\(b\\) 的各分量均为整数，那么 \\(\\{x:Ax\\leq b,\\ x\\geq0\\}\\) 的每个顶点都是整数点。因此，当存在最优顶点时，可以直接用线性规划求解相应的整数问题。(arxiv.org)\n\n等价的整数规划模型可能具有不同的松弛强度和计算表现。更紧的界限、能有效约束可行域的有效不等式，以及减少对称性，都有助于改进搜索。过大的大 M 常数会削弱界限，并造成数值困难，即使它们并未改变模型所要表达的整数选择。(docs.mosek.com)"
    }
  ],
  "links": [
    "mathematical-optimization",
    "integer",
    "objective-function",
    "matrix",
    "real-number",
    "feasible-set",
    "mixed-integer-programming",
    "binary-integer-programming",
    "logic",
    "boolean-algebra",
    "knapsack-problem",
    "linear-programming",
    "convex-set",
    "convex-hull",
    "branch-and-bound",
    "cutting-plane-method",
    "heuristic",
    "computational-complexity",
    "np-hardness"
  ],
  "sources": [
    {
      "title": "Integer Programming, Chapter 9 of Applied Mathematical Programming",
      "url": "https://web.mit.edu/15.053/www/AMP-Chapter-09.pdf"
    },
    {
      "title": "Mixed-Integer Programming: An Intro to the Basics",
      "url": "https://www.gurobi.com/resources/blog/mixed-integer-programming-an-introduction-to-the-basics"
    },
    {
      "title": "A Directed Augmentation Algorithm for Integer Programming",
      "url": "https://web.mit.edu/schulz/www/epapers/sw-mor-2002.pdf"
    },
    {
      "title": "9 Mixed integer optimization — MOSEK Modeling Cookbook",
      "url": "https://docs.mosek.com/modeling-cookbook/mio.html"
    },
    {
      "title": "Finding total unimodularity in optimization problems solved by linear programs",
      "url": "https://arxiv.org/abs/cs/0602016"
    },
    {
      "title": "Structural Analysis of Branch-and-Cut and the Learnability of Gomory Mixed Integer Cuts",
      "url": "https://arxiv.org/abs/2204.07312"
    },
    {
      "title": "What Is MILP? Solver & Uses Explained",
      "url": "https://www.gurobi.com/resources/blog/milp"
    },
    {
      "title": "Notes for the course advanced algorithms",
      "url": "https://www.csc.kth.se/~johanh/algnotes.pdf"
    },
    {
      "title": "4 The Optimizer for Mixed-Integer Problems — MOSEK Command Line Tools",
      "url": "https://docs.mosek.com/latest/cmdtools/mip-optimizer.html"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}