将lp问题化为标准形式Linear programming (LP)问题是运筹学中的一种常见问题，它可以用数学模型来描述，并通过线性规划方法进行求解。
将LP问题化为标准形式是解决LP问题的第一步，也是非常重要的一步。
本文将介绍如何将LP问题化为标准形式，以便更好地进行线性规划求解。
首先，我们需要了解什么是LP问题。
LP问题是在一组线性约束条件下，寻找一个线性目标函数的最大值或最小值。
通常情况下，LP问题可以表示为如下形式：Maximize (or Minimize) Z = c1x1 + c2x2 + ... + cnxn。
Subject to:a11x1 + a12x2 + ... + a1nxn ≤ b1。
a21x1 + a22x2 + ... + a2nxn ≤ b2。
...am1x1 + am2x2 + ... + amnxn ≤ bm。
xi ≥ 0, i = 1, 2, ..., n。
其中，Z是目标函数，c1, c2, ..., cn是目标函数的系数，x1, x2, ..., xn是决策变量，a11, a12, ..., amn是约束条件的系数，b1, b2, ..., bm是约束条件的右端常数，xi≥ 0是非负约束条件。
接下来，我们将介绍如何将一般形式的LP问题化为标准形式。
首先，我们需要将不等式约束转化为等式约束。
这可以通过引入松弛变量来实现。
对于每一个不等式约束：ai1x1 + ai2x2 + ... + ainxn ≤ bi。
我们引入一个松弛变量si，使得不等式约束转化为等式约束：ai1x1 + ai2x2 + ... + ainxn + si = bi。
si ≥ 0。
这样，我们就将所有的不等式约束转化为了等式约束。
接下来，我们需要将所有的约束条件都转化为“≤”的形式。
如果某个约束条件是“≥”或“=”形式，可以通过乘以-1来转化为“≤”形式。
然后，我们需要引入松弛变量来将所有的约束条件转化为“≤”形式。
第一章 线性规划§1 线性规划在人们的生产实践中，经常会遇到如何利用现有资源来安排生产，以取得最大经济效益的问题。
此类问题构成了运筹学的一个重要分支—数学规划，而线性规划(Linear Programming 简记LP)则是数学规划的一个重要分支。
自从1947年G. B. Dantzig 提出求解线性规划的单纯形方法以来，线性规划在理论上趋向成熟，在实用中日益广泛与深入。
特别是在计算机能处理成千上万个约束条件和决策变量的线性规划问题之后，线性规划的适用领域更为广泛了，已成为现代管理中经常采用的基本方法之一。
1.1 线性规划的实例与定义 例1 某机床厂生产甲、乙两种机床，每台销售后的利润分别为4000元与3000元。
生产甲机床需用B A 、机器加工，加工时间分别为每台2小时和1小时；生产乙机床需用C B A 、、三种机器加工，加工时间为每台各一小时。
若每天可用于加工的机器时数分别为A 机器10小时、B 机器8小时和C 机器7小时，问该厂应生产甲、乙机床各几台，才能使总利润最大？上述问题的数学模型：设该厂生产1x 台甲机床和2x 乙机床时总利润最大，则21,x x 应满足（目标函数）2134max x x z += (1)s.t.（约束条件）⎪⎪⎩⎪⎪⎨⎧≥≤≤+≤+0,781022122121x x x x x x x （2）这里变量21,x x 称之为决策变量，（1）式被称为问题的目标函数，（2）中的几个不等式是问题的约束条件，记为s.t.(即subject to)。
由于上面的目标函数及约束条件均为线性函数，故被称为线性规划问题。
总之，线性规划问题是在一组线性约束条件的限制下，求一线性目标函数最大或最小的问题。
在解决实际问题时，把问题归结成一个线性规划数学模型是很重要的一步，但往往也是困难的一步，模型建立得是否恰当，直接影响到求解。
而选适当的决策变量，是我们建立有效模型的关键之一。
1.2 线性规划的Matlab 标准形式线性规划的目标函数可以是求最大值，也可以是求最小值，约束条件的不等号可以是小于号也可以是大于号。
