决策变量

决策变量 (Decision Variable)

决策变量 (Decision Variable) 是在数学规划 (Mathematical Programming) 和优化问题 (Optimization Problem) 中最核心的概念之一。它代表了在特定问题情境下，决策者可以控制和选择的未知量。这些变量的最终取值，构成了问题的解决方案。简单来说，决策变量是模型中需要求解的"答案"。

在构建一个数学模型时，第一步也是最关键的一步，就是准确地识别和定义决策变量。它们是连接现实世界决策问题与抽象数学模型的桥梁。没有决策变量，优化问题便无从谈起——目标函数无法表达，约束条件也无法施加。

决策变量的核心特征

一个量要成为决策变量，通常具备以下几个关键特征：

可控性 (Controllability)：决策变量的值必须是由决策者直接决定的。例如，一个工厂生产多少件产品、一个投资者购买多少股股票、一个物流公司选择哪条运输路线等，都是可控的。相比之下，市场价格、原材料成本等通常被视为外部参数 (Parameter)，而非决策变量，因为决策者无法直接控制它们。这一区分对于正确建立数学模型至关重要。

未知性 (Unknown)：在问题求解之前，决策变量的最优值是未知的。整个优化过程的目的，就是为了找到一组能使目标函数达到最优（最大化或最小化）的决策变量的值。如果变量的值事先已知，那就不是决策变量，而是常量了。

量化性 (Quantifiable)：决策变量必须是可以用数字来表示的。例如，生产数量、投资金额、分配的人数等。即使是"是/否"型的决策，也需要量化为 0 或 1。这种量化是数学建模的基础，使得我们可以运用数学工具进行求解。

相互关联性 (Interrelated)：在大多数有意义的优化问题中，决策变量之间通常不是孤立的。它们共同受到约束条件的限制，并且共同影响目标函数的值。对一个变量的调整，往往会影响其他变量的取值范围，体现出决策变量之间的复杂依存关系。

数学表示与分类

在数学模型中，决策变量通常用字母和下标来表示，例如 $x_1, x_2, \dots, x_n$，也可以被组织成向量形式 $\mathbf{x} = [x_1, x_2, \dots, x_n]^T$。这种表示方式简洁而通用，适用于各种规模和复杂度的优化问题。在运筹学教材中，决策变量常以向量形式书写，以便于讨论目标函数梯度和约束矩阵等高级概念。

根据取值类型，决策变量可分为以下几类：

连续变量 (Continuous Variables) 可取某一范围内的任何实数值，用于表示可分割的量，如生产吨数、投资金额、液体混合物中各成分的比例等。其数学表示为 $x \ge 0$ 或 $L \le x \le U$，其中 $x \in \mathbb{R}$。连续变量对应的优化问题通常相对容易求解。

整数变量 (Integer Variables) 只能取整数值，用于表示不可分割的单位，如雇佣人数、建造仓库数、购买的设备数量等。其数学表示为 $x \in \mathbb{Z}$。包含整数变量的优化问题称为整数规划 (Integer Programming, IP)，其求解难度远高于连续问题。

二元变量 (Binary Variables) 也称 0-1 变量，是整数变量的特例，只能取 0 或 1，用于表示"是/否"、"开/关"、"选择/不选择"等逻辑决策，如是否建设新工厂、是否选择某条运输路线。其数学表示为 $x \in \{0, 1\}$。二元变量在组合优化中极为重要。

混合变量 (Mixed Variables) 同时包含连续变量、整数变量和/或二元变量的问题属于混合整数规划 (Mixed-Integer Programming, MIP) 的范畴。这类问题最具普遍性，许多现实世界复杂问题——如供应链设计、生产调度、投资组合优化——都需要混合变量来精确建模。

在优化模型中的作用

一个标准的优化模型由三个核心部分组成，决策变量贯穿其中：

目标函数 (Objective Function) 是需要最大化或最小化的关于决策变量的函数，如 $\text{Maximize } Z = 10x_1 + 15x_2$，其中 $x_1$ 和 $x_2$ 代表不同产品的产量。

约束条件 (Constraints) 是一组关于决策变量的等式或不等式，描述决策所受的现实限制，如工时约束 $2x_1 + 3x_2 \le 100$ 和材料约束 $x_1 + 2x_2 \le 60$。

变量边界或符号约束 (Variable Bounds) 规定决策变量的取值范围，最典型的是非负约束 $x_1 \ge 0, x_2 \ge 0$。三个部分共同构成一个完整的线性规划 (Linear Programming) 模型，求解得到的值即为该问题的最优解 (Optimal Solution)。

简单建模实例：投资组合选择

假设投资者有 \$100,000 资金，可投资于股票（预期回报率 8\%）和债券（预期回报率 5\%）。决策者规定：股票投资不超过总资金的 70\%，债券投资至少 \$20,000，目标是最大化年度总回报。

设 $x_S$ 为股票投资额，$x_B$ 为债券投资额。目标函数为 $\text{Maximize } R = 0.08x_S + 0.05x_B$。约束包括：总投资 $x_S + x_B \le 100000$，股票上限 $x_S \le 70000$，债券下限 $x_B \ge 20000$，以及非负约束 $x_S \ge 0, x_B \ge 0$。求解该模型即得最优投资配比。例如，若投资者完全按约束上限投资股票，则 $x_S = 70000, x_B = 30000$，年度回报为 $0.08 imes 70000 + 0.05 imes 30000 = 7100$ 美元。但模型求解可能给出不同配比，视目标函数和约束的权衡而定。

这一简单实例清楚地展示了决策变量是连接实际问题与数学模型的枢纽。通过合理定义决策变量，复杂的投资决策被转化成一个结构清晰的优化问题，从而可以利用成熟的数学工具找到最优解。这正是决策变量在运筹学与管理科学中的核心意义所在，也是每一位优化建模者必须掌握的基础概念。