線規演算法
『壹』 電線截面平方的計算方法
截面的計算公式：S=半徑的平方R×π（R為電線的半徑）
比如直徑1.76的線，就是1.76÷2×3.14=2.76平方≈2.5平方，（取近似值）。
要選擇電線的大小，一般是先根據用電器的功率大小算出電流，然後根據電流在查電工手冊即可，這樣比較准確。
如果是單芯的就可以量一下其直徑，然後得出半徑
根據面積的公式S=半徑*半徑*3.14
就可以知道該電線的橫截面積，而有些線是由多條線芯組合扭在一起的，這樣就不能用單芯的方法去算了，只能是按這條電線中多條線的其中一條去接單芯線算，然後再乘以線的股數就可以。
公式為S=半徑*半徑*3.14*N，其中N為扭成這條電線的數量！
(1)線規演算法擴展閱讀：
知道電線的平方，計算電線的半徑用求圓形面積的公式計算：
電線平方數（平方毫米）＝圓周率（3.14）×電線半徑（毫米）的平方
知道電線的平方，計算線直徑也是這樣，如：
2.5方電線的線直徑是：2.5÷ 3.14 = 0.8，再開方得出0.9毫米，因此2.5方線的線直徑是：2×0.9毫米＝1.8毫米。
知道電線的直徑，計算電線的平方也用求圓形面積的公式來計算：
電線的平方＝圓周率（3.14）×線直徑的平方／4
電纜大小也用平方標稱，多股線就是每根導線截面積之和。
住宅內常用的電線截面有 0.5m2、1m2、1.5m2 、 2 .5m2 、 4m2 、 6m2 、 10m2 、 16m2 、 25m2 、 35m2 、 50m2 等。
截流量指的是電線在常溫下持續工作並能保證一定使用壽命（如 30 年）的工作電流大小。電線截流量的大小與其截面積的大小有關，即導線截面越大，它所能通過的電流也越大。如果線路電流超過載流量，使用壽命就相應縮短，如不及時換線，就可能引起種種電氣事故。
導線截面越大，它所能通過的電流也越大。
『貳』 線性規劃(LP)基本概念和搜索演算法
可以用一個符號描述一系列類似的數量值
一個方程，如果他是關於決策變數的常熟加權求和形式，則該方程式 線性方程(liner) ，佛則該方程為 非線性方程(non-linear)
目標函數 以及約束方程 中均為關於決策變數的線性方程，則該優化模型為 線性規劃(linear program, LP) ，其中目標函數可以為滿足約束的任意整數或者分數
目標函數 以及約束方程 中存在關於決策變數的線性方程，則該優化模型為 非線性規劃(nonlinear program, LP) ，其中目標函數可以為滿足約束的任意整數或者分數
一個優化模型，如果他的決策變數中存在離散變數，則該優化模型位 整數規劃(integer program, IP) ，如果整數規劃的所有決策變數均為離散變數，則該整數規劃為 純整數規劃(pure integer program) ；否則為 混合整數規劃(mixed integer program) 。
搜索演算法(improving search) 通過檢查鄰域來尋找比當前更好地解，若有改進則替換當前解，繼續迭代，直到鄰域中沒有更好的解為止。搜索演算法又稱為 局部改進(local improvement) ， 爬山演算法(hillclimbing) ， 局部搜索(local search) 或 鄰域搜索(neighborhood search)
倘若一組可行解周圍足夠小的的鄰域內沒有優於該解的可行點，則稱為 局部最優解(local optimum) ，最小化(最大化)問題存在 局部最小(最大)解 。
如果在全局范圍內不存在目標值優於某可行解的其他可行點，則稱為 全局最優解(global optimum) ，最小化(最大化)問題存在 全局最小(最大)解
搜索演算法沿 由當前點 向下一個搜索點 移動，其中 是當前點 處的 搜索方向(move direction) ， 是沿該方向前進的 步長 ， 。
對於所有足夠小的 都有 ,則稱 是當前解的一個 改進方向(improving direction) ,如果滿足所有約束條件，則為 可行改進方向 。
如果優化模型的目標函數 是光滑的(所有決策變數都是可微的)，那麼，當 是一個n維向量的函數，當它有一個一階片倒數，這些導數組成的n維向量稱為 梯度
導數(derivative) ，描述函數隨參數的變化率，可以看做斜率。 偏導數(partial derivative) ，是保持其他變數恆定時，關於其中一個變數的導數
對於最大化目標函數 ,若 ，搜索方向 是 處的可改進方向，若 ，搜索方向 不是 處的可改進方向。
對於最小化目標函數 ,若 ，搜索方向 是 處的可改進方向，若 ，搜索方向 不是 處的可改進方向。
當目標函數梯度 ，是最大化目標 的一個改進方向， 是最小化目標函數 的一個改進方向
如果可行域內任意兩點的連線都在可行域內，則稱該可行域為 凸集 。
離散的可行集總是非凸集
若優化模型的可行集是凸集，那麼對任意可行解始終存在指向另一個解的可行方向，意味著，只要存在最優解，可能性不會阻礙局部最優解發展為全局最優解。
線性約束的可行集又稱為多面體集。
如果優化模型的所有約束都是線性的，那麼該模型的可行域是凸集
兩階段法
大M法