线性规划基础与应用
2021年，某国内乳制品企业面临一道生产难题：工厂产能有限，手头有三条产品线——纯牛奶、酸奶和奶酪，但奶源供应量、灌装设备的可用工时和冷链运输容量全都有上限，而且三款产品的利润差别不小。凭直觉排产，拍脑袋决定多生产利润高的奶酪，结果发现奶酪占用冷链资源最多，总产量反而受限。引入线性规划后，通过数学计算找到了最优生产比例，总利润比直觉方案提高了18%。
线性规划（Linear Programming，LP）是在一组线性约束条件下，寻找使某个线性目标函数取得最大值或最小值的数学方法。它是运营管理中应用最广泛的优化工具，从工厂排产到物流调度，从原料采购到产能规划，凡是"资源有限、目标明确、关系可线性化"的决策问题，LP都能给出可靠的量化答案。
线性规划的基本概念
线性规划由三个核心要素构成：决策变量、目标函数和约束条件。理解这三个要素，是建立任何LP模型的基础。
决策变量（Decision Variables）
决策变量是模型中需要求解的未知量，代表管理者可以控制和调整的内容。一家饮料厂决定每周生产多少箱橙汁、多少箱苹果汁，这两个数量就是决策变量，通常记为 (x_1, x_2, \ldots, x_n)。
决策变量必须满足非负约束，即 (x_i \geq 0)，因为生产数量不能为负数。
目标函数（Objective Function）
目标函数是用决策变量表达的、希望最大化或最小化的数量指标。生产问题中通常是最大化利润，运输问题中通常是最小化成本。
以饮料厂为例，橙汁每箱利润80元，苹果汁每箱利润60元，则目标函数为：
其中 (x_1) 为橙汁产量（箱），(x_2) 为苹果汁产量（箱）。
约束条件（Constraints）
约束条件是决策变量必须满足的限制条件，通常来源于资源上限、合同要求或工艺规范。约束条件的右侧是资源的可用量，左侧是各变量对该资源的消耗系数。
继续饮料厂的例子：设备工时每周可用120小时，橙汁每箱消耗3小时，苹果汁每箱消耗2小时；果汁原料每周可供应300公斤，橙汁每箱消耗6公斤，苹果汁每箱消耗4公斤。约束条件为：
将三个要素合在一起，就构成了一个完整的LP模型：
其中 s.t. 是"subject to"的缩写，意为"满足约束条件"。
线性的含义
"线性"有两层要求：目标函数和约束条件的所有项都必须是决策变量的一次式（一次方），且变量之间不能有乘积项。(80x_1 + 60x_2) 是线性的；(80x_1^2) 或 (x_1 \cdot x_2) 则不是线性的，后者属于非线性规划，求解难度更高，不在此处讨论范围。
线性规划的三要素——决策变量、目标函数、约束条件——缺一不可。建模时先问三个问题：我能控制什么（决策变量）？我想优化什么（目标函数）？有哪些限制（约束条件）？把这三个问题回答清楚，模型就基本搭好了。
图解法：用画图找最优解
对于只有两个决策变量的LP问题，可以用图解法直观地找到最优解。图解法的步骤清晰，也是理解LP求解逻辑最好的切入点。
饮料厂模型的可行域有四个角点：
角点 (B(30, 15)) 是两条约束线的交点，由联立方程组求解：
注意到本例的两条约束线平行（系数比相同），可行域的实际形状需要重新检验。重新代入计算：原料约束为 (6x_1 + 4x_2 \leq 300)，与设备工时约束 (3x_1 + 2x_2 \leq 120) 两者完全平行，原料约束更宽松，实际起约束作用的只有设备工时约束。
调整后，实际最优解为角点 (C(0, 60))，即只生产苹果汁60箱，目标函数值为3600元。
为了让图解法的过程更完整，换一个参数更典型的例子说明——假设设备工时约束改为 (4x_1 + 2x_2 \leq 120)，原料约束不变（(6x_1 + 4x_2 \leq 300)）：
角点 (B) 由联立方程求出：
第一式乘以2得 (8x_1 + 4x_2 = 240)，减去第二式：
结果为负，说明两条约束线的交点在可行域外，此时最优解在 (C(0, 60))。
图解法的局限性在于只适用于两个变量的问题。实际工程中变量往往成百上千，需要使用单纯形法（Simplex Method）或计算机软件（如Excel规划求解）来处理。但图解法揭示的"最优解在角点"这一结论，对理解LP的结构至关重要。
最优解一定出现在可行域的角点上——这是线性规划最核心的几何结论。图解法的价值不在于手工画图求解，而在于帮助建立直觉：多约束、多变量的LP问题，本质上是在一个多面体的顶点中寻找目标值最大（或最小）的那一个。
LP问题的常见类型
线性规划在管理实践中有三类最典型的建模场景：生产组合问题、资源分配问题和混合计划问题。掌握这三类模型的建模逻辑，可以覆盖实际工作中大多数LP应用需求。
类型一：生产组合问题
生产组合问题的核心是：在有限的设备、原料、人工等资源约束下，决定每种产品生产多少，使总利润最大。
某家具厂生产桌子和椅子，资源约束与利润数据如下：
设 (x_1) 为桌子产量，(x_2) 为椅子产量，模型为：
通过求解（实际使用Excel规划求解或单纯形法），最优方案为桌子30张、椅子30把，总利润13500元，所有约束都被充分利用。
类型二：资源分配问题（最小化成本）
资源分配问题中目标函数有时是最小化成本，适用于物流、采购等场景。某连锁超市需要从两个供应商处采购大米，总需求至少2000公斤，同时要求从供应商A采购量不超过1500公斤（避免对单一供应商过度依赖），从供应商B采购量不低于300公斤（维持长期合作关系）：
求解结果为从A买1500公斤、从B买500公斤，总成本7700元，既满足采购需求，又在风险约束下实现成本最低。
类型三：混合计划问题
混合计划问题在生产与采购混合决策中最为常见：企业既可以自行生产某种零部件，也可以向外部采购，需要在产能约束下决定各自比例。某汽车零部件企业月度需求1000个某型号轴承，内部月产能上限600个，生产成本每个80元；外购价格每个110元，但外购量不超过月需求量的50%。
最优方案为自产600个、外购400个，总成本91200元，比全部外购节省17000元，比单纯自产在产能允许范围内已是最优组合。
从上述三类问题可以看出，LP建模的共同逻辑是：把决策问题中"可以控制的量"定义为变量，把"想要实现的目标"写成目标函数，把"不能突破的限制"写成约束条件。三步走完，模型就建好了。
灵敏度分析：最优解有多"稳"
求出最优解之后，还有一个关键问题：如果某个参数发生变化——比如原料价格涨了、设备工时减少了——现在的最优方案还成立吗？回答这个问题，靠的是灵敏度分析（Sensitivity Analysis）。
灵敏度分析的实际意义
灵敏度分析让LP的结论从"当前最优解是什么"延伸到"这个结论有多可靠、在什么条件下还成立"。
某食品厂用LP确定了最优生产组合，但原料供应商告知下个月大豆价格可能上涨5%～15%。通过灵敏度分析，可以提前判断：若涨幅在10%以内，当前方案仍然最优；若涨幅超过10%，应调整产品组合，减少大豆密集型产品的生产比例。这让企业能在合同谈判前就准备好应对预案，而不是等价格变化落地后才被动反应。
影子价格只在资源的允许变化范围内有效。超出这个范围，最优角点发生转移，影子价格也随之失效。在使用影子价格评估资源扩充的收益时，务必先确认扩充量是否仍在有效范围内。
LP在供应链中的典型应用
线性规划在供应链管理中的落地应用主要集中在三个场景：生产调度、原料采购和产能规划。
案例分析
小结
线性规划将资源约束下的最优化问题转化为数学形式，通过严格的计算方法找到最优方案，是运营管理中最实用的定量工具之一。
LP的局限性在于它要求目标函数和约束条件都是线性的，且假设决策变量可以取任意非负实数（实际中有时需要整数解，如生产台数，需用整数规划处理）。但在大多数运营管理场景中，LP提供的近似解已经足够精确，且远优于依赖经验的直觉方案。