# A Self-Validating Method for Solving Linear Programming Problems with Interval Input Data

• Christian Jansson
Conference paper
Part of the Computing Supplementum book series (COMPUTING, volume 6)

## Abstract

A Self-Validating Method for Solving Linear Programming Problems with Interval input Data. Linear programming problems are very important in many practical applications. They are usually solved by the simplex method. The computational results are, in general, good approximations to the solution of the problem. However, in some cases the computed approximation may be wrong due to round-off and cancellation errors. In practice it occurs frequently that the input data of a linear programming problem are not known exactly but are afflicted with tolerances. In this case it has to be precisely defined what a “solution” to such a problem is. A sensitivity or postoptimality analysis is necessary.

In the following a method for linear programming problems with interval input data is described which computes guaranteed lower and upper bounds for all optimal vertices and the optimal value. The method controls rigorously all round-off errors and gives an automatic sensitivity analysis. As an example a diet problem is treated to demonstrate how the method in principle works.

## Keywords

Linear Programming Problem Basic Feasible Solution Interval Vector Interval Matrix Optimal Vertex
These keywords were added by machine and not by the authors. This process is experimental and the keywords may be updated as the learning algorithm improves.

## Zusammenfassung

Eine EinschlieBungsmethode zur Lösung linearer Optimierungsprobleme mit Intervalleingabedaten.Lineare Optimierungsprobleme treten sehr häufig in der Praxis auf. Eine effiziente Methode zur Lösung solcher Probleme ist das Simplexverfahren. Die näherungsweise berechneten Lösungen approximieren im allgemeinen die exakte Lösung des Problems gut. Allerdings kann das Auftreten von Rundungssowie Auslöschungsfehlern auch zu völlig falschen Resultaten führen.

Bei den meisten praktischen Anwendungen sind die Eingabedaten toleranzbehaftet. In solchen Situationen ist eine Sensitivitätsanalyse oder auch postoptimale Analyse notwendig.

Im folgenden wird ein Algorithmus für lineare Optimierungsprobleme mit Intervalleingabedaten angegeben, der unter sehr allgemeinen Voraussetzungen strenge Einschließungsintervalle für die Komponenten aller auftretenden optimalen Ecken und für den optimalen Zielfunktionswert berechnet. Anhand eines Ernährungsproblems wird gezeigt, wie mit dieser Methode eine automatische Sensitivitätsanalyse mit Rundungsfehlerkontrolle durchgeführt werden kann.

## References

1. [1]
ACRITH: IBM High-Accuracy Arithmetic Subroutine Library, Program Description and User’s Guide, IBM Program Number 5664–185, 1986.Google Scholar
2. [2]
Alefeld, G., Herzberger, J.: Einführung in die Intervallrechnung, B.I. Wissenschaftsverlag, 1974.Google Scholar
3. [3]
Beeck, H.: Linear Programming with Inexact Data, Bericht Nr. 7830 der Abteilung Mathematik TU München, 1978.Google Scholar
4. [4]
Bohlender, G., Rall, L. B., Ullrich, Ch., Wolff v. Gudenberg, J.: PASCAL-SC, Bibliographisches Institut Mannheim/Wien/Zürich 1986.Google Scholar
5. [5]
Chvatal, V.: Linear Programming, W.H. Freeman and Company, 1983.
6. [6]
Dantzig, G. B.: Lineare Programmierung und Erweiterung, Springer-Verlag, 1966.Google Scholar
7. [7]
Elmadjy, I., Fitsche, D., Cremer, H.-J.: Die große Vitamin und Mineralstofftabelle, Gräfe-und Unzer-Verlag, 1985.Google Scholar
8. [8]
Gal, T.: Postoptimal Analysis, Parametric Programming and Related Topics, Mc Graw-HillBook Company, 1979.Google Scholar
9. [9]
Jansson, C.: Zur Linearen Optimierung mit unscharfen Daten, Dissertation, Kaiserslautern, 1985.
10. [10]
Klatte, D.: Lineare Optimierungsprobleme mit Parametern in der Koeffizientenmatrix der Restriktionen, in: Anwendungen der linearen parametrischen Optimierung, Lammatsch, 1979.Google Scholar
11. [11]
Krawzcyk, R.: Fehlerabschätzung bei linearer Optimierung, Interval Mathematics, 215–227, 1975.Google Scholar
12. [12]
Kulisch, U.W.: Grundlagen des numerischen Rechnens, B.I. Wissenschaftsverlag, 1976.
13. [13]
Kulisch, U.W., Miranker, W.L.: A New Approach to Scientific Computation, Academic Press New York 1983.
14. [14]
Lovácz, L.: A New Linear Programming Algorithm — Better or Worse Than the Simplex Method?, The Mathematical Intelligencer, Vol. 2, 141–146, 1980.
15. [15]
Machost, B.: Numerische Behandlung des Simplexverfahrens mit intervallmathematischen Methoden, Berichte der GMD Bonn, Nr. 30, 1970.Google Scholar
16. [16]
Moore, R.E.: Methods and Applications of Interval Analysis, SIAM Philadelphia, 1979.Google Scholar
17. [17]
Murtagh, B.A.: Advanced Linear Programming; Computation and Practice, Mc Graw-HillBook Company, 1981.
18. [18]
Nährwertbroschüre, Deutsche Lebensmittelwerke GmbH, 1976.Google Scholar
19. [19]
Papadimitrion, C.H., Steiglitz, K.: Combinational Optimization; Algorithms and Complexity, Prentice-Hall, 1982.Google Scholar
20. [20]
Rohn, J.: Solving Interval Linear Systems, Freiburger Intervallberichte 8417, 1–14, 1984.Google Scholar
21. [21]
Rump, S.M.: Kleine Fehlerschranken bei Matrixproblemen, Dissertation, Karlsruhe, 1980.
22. [22]
Rump, S.M.: Solving Algebraic Problems with High Accuracy, Habilitationsschrift, in [13], 1983.Google Scholar
23. [23]
Rump, S.M.: Solving of Linear and Nonlinear Algebraic Problems with Sharp Guranteed Bounds, Computing Suppl. 5, 147–168, 1984.
24. [24]
Steuer, R. E.: Algorithms for Linear Programming Problems with Interval Objective Function Coefficients, Mathematics of Oper. Res., Vol. 6, 333–348, 1981.