[最优化]线性规划中的对偶问题

线性规划中的对偶问题

每个线性规划问题都有一个与之对应的对偶问题,对偶问题也是一个线性规划问题,并且对偶问题的对偶问题是原问题。原问题的最优解可以由对偶问题得到,有时候利用对偶理论求解线性规划问题更加简单,也更能了解问题的本质。在对偶理论的启发下,单纯形法的性能得到了改进,也出现了一些求解线性规划问题的非单纯形法,本文暂不详解。

对偶关系

考虑如下形式的对偶问题

minimizecTxsubject toAxbA0 m i n i m i z e c T x s u b j e c t   t o A x ≥ b A ≥ 0

将其称为原问题,其相应的对偶形式定义为
maximizeλTbsubject toλTAcTλ0 m a x i m i z e λ T b s u b j e c t   t o λ T A ≤ c T λ ≥ 0

其中 λ λ 称为对偶向量,这种对偶称为 对称形式的对偶
另外对于线性规划的标准形,其约束为 Ax=b A x = b ,等价于
AxbAxb A x ≥ b − A x ≥ − b

因此含有等式约束的原问题可以写为
minimizecTxsubject to[AA]x[bb]x0 m i n i m i z e c T x s u b j e c t   t o [ A − A ] x ≥ [ b − b ] x ≥ 0

这与对称形式的原问题具有相同的结构,因此上述问题的对偶问题为
maximize[uT vT][bb]subject to[uT vT][AA]cTu,v0 m a x i m i z e [ u T   v T ] [ b − b ] s u b j e c t   t o [ u T   v T ] [ A − A ] ≤ c T u , v ≥ 0

对偶问题可以整理为
maximize(uv)Tbsubject to(uv)TAcTu,v0 m a x i m i z e ( u − v ) T b s u b j e c t   t o ( u − v ) T A ≤ c T u , v ≥ 0

λ=uv λ = u − v ,上述问题则变为
maximizeλTbsubject toλTAcT m a x i m i z e λ T b s u b j e c t   t o λ T A ≤ c T

注意此时由于 u,v0,λ=uv u , v ≥ 0 , λ = u − v ,没有了非负约束,将这种关系称为 非对称形式的对偶

对偶问题的性质

在这里给出对偶问题的一些基本结论,暂不做证明
弱对偶引理:假设 x x λ λ 分别是线性规划的原问题和对偶问题(对称形式及非对称形式)的可行解,则 xTxλTb x T x ≥ λ T b ,即“极大值 极小值”。

定理1:假设 x0 x 0 λ0 λ 0 分别是原问题和对偶问题的可行解,如果 cTx0=λT0b c T x 0 = λ 0 T b ,那么 x0 x 0 λ0 λ 0 分别是各自问题的最优解。

定理2(对偶定理):如果原问题有最优解,那么其对偶问题也有最优解,并且它们目标函数的最优解相同。

定理3(互补松弛条件) x x λ λ 分别是原问题和对偶问题的可行解,则它们分别是各自问题的最优解的充分必要条件为

1.(cTλTA)x=02.λT(Axb)=0 1. ( c T − λ T A ) x = 0 2. λ T ( A x − b ) = 0

你可能感兴趣的:(optimization)