第一节 基本概念 第二节 风险型决策

第一节 特尔菲（Delphi）法 第二节 层次分析法（AHP） (Analytics Hierarchy Process) 第三节 数据包络分析法（DEA) 第四节 多准则评估的区间评估方法 （Interval Analysis)

2.1 多目标规划的数学模型 2.2 多目标规划问题的解 2.3 多目标规划问题的解法

7.1 基本概念 7.2 矩阵对策的纯策略 7.3 矩阵对策的混合策略与混合扩充

4.1 基本概念 4.2 风险型决策

2.1 动态规划的基本概念与方法 2.2 动态规划应用举例

中每行、每列都至少有一个0。显然如能找到运输问题的一个可行解X,具下述性质: 所有X>0的地方,运费C=0,则这个可行解一定是最优解。 那么如何找具有上述性质的可行解呢?设想在C1=0的地方A与B有一条边相连,对有边相 连的二点实行足量分配,可得一方案

生产实际中遇到的线性规划问题常常是规模很大的，如果约束条件多到超过计算机容量 的程度，就会给求解造成困难。为了克服这一困难，对于大型问题，针对其具体结构，往往 可把它分解成几个较小问题来处理，这类方法称为分解算法

线性规划中所使用的数据,大多是些估计值,有的不够准确，这就需要研究当对某些数据作稍许改变 时，最优解是否变化?如何变化?更何况实际情况还常有变动，特别经济问题是如此,象产品价格的变动,资 源限制数的增减，约束条件的增减，变量的增减等等。这势必影响最优解和最优值。可见充分利用原最优 表，分析最优解对某些数据变化的反应程度即灵敏度是十分必要的，同时也避免了因条件的些许改变而去 从头求解，故灵敏度的分析亦称最优化后分析

由上一章定理 5，线性规划问题的最优解可以只限于在基可行解中去挑选。由于基可行 解有限,故原则上可采用枚举法。但从算法的角度看,这显然不是简便有效的。当 m、n 较大 时,根本行不通。事实上 m、n 在 100 左右的线性规划问题属于小型的