primal and dual(原问题和对偶问题)

最新推荐文章于 2024-05-12 23:26:14 发布
最新推荐文章于 2024-05-12 23:26:14 发布
阅读量1.5w 收藏 6
点赞数 1
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/haimengao/article/details/39099921
版权

定义：

这是优化界的一种方法，对偶问题为原问题提供了一个下界。primal和dual问题本来是会存在一个dual gap。如果有个比较强的约束条件（KTT）（when the problem is convex and satisfies ），那么dual gap=0.这叫做强对偶，那么就可以根据dual问题直接求得primal问题的解。而一般dual gap=primal-dual>0，称为弱对偶性。


线性：

如果原问题有n个变量，m个限制条件，那么对偶问题就有m个对偶变量，n个限制条件。


即使初始问题是non-convex，但是拉格朗日dual problem是convex的。

拉格朗日的乘子就是拉格朗日对偶变量。

点击打开链接





elisa_gao
关注
  • 1
    点赞
  • 踩
  • 6
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
对偶问题（dual problem）
data+scenario+science+insight
05-25 1678
对偶问题（dual problem） 为什么叫dual problem? 凸优化，凹函数 对偶问题+原始问题 拉格朗日乘子，拉格朗日函数 从有约束问题到无约束问题 极小极大问题，极大极小问题 最优值的下界 KKT条件 强对偶问题，弱对偶问题 Strong duality and Slater's constraint qualification 原始问题讨论就到这里，做一个总结：通过拉格朗日这位大神的办法重新定义一个无约束问题（大家都喜欢无拘无束），这个无约束问题等价于原来..
最小费用流的原始对偶 (Primal-Dual) 算法.docx
05-06
"最小费用流的原始对偶 (Primal-Dual) 算法" 该算法是融合了直接 SPFA 算法和 KM 重标号算法的优点，实现了最小费用流的计算。该算法的主要过程是反复交替进行最短路和最大流的计算，利用 Reduced Cost 缩小了费用...
算法设计技巧: Primal-Dual
胡拉哥
05-20 1万+
原始对偶(Primal-Dual)是一种求解优化问题的思想, 在凸优化和组合优化问题中有重要应用. 本文以线性规划问题为例解释原始对偶算法的设计思路, 进而介绍如何设计基于原始对偶的近似算法(一般用于求解NP-hard问题). 互补松弛条件 考虑线性规划的原始问题(P)和对偶问题(D)如下: min⁡ cTxs.t. Ax≥bx≥0(P) \begin{aligned} \min\ & c^Tx \tag{P}\\ \text{s.t. } & Ax \geq b\\ &
原始-对偶算法
最新发布
qq_46130027的博客
05-12 478
通过对偶问题来求解原问题的最优解或者近似解，统称为原始-对偶算法。参考资料原始-对偶算法。
约束优化问题
weixin_45735391的博客
07-15 673
约束优化问题（原问题Primal Problem） 原问题(p){目标函数：minf(x),xi∈Rp约束条件：s.t.{mi(x)≤0,i=1,2,...,Mnj(x)=0,j=1,2,...,N 原问题(p) \begin{cases} 目标函数 ：min f(x), & x_i\in \Bbb{R}^p\\[2ex] 约束条件 ：s.t. \begin{cases} \color{red}m_i(x)\leq0, & i=1
Dual-Primal Graph Convolutional Networks 对偶-原始图卷积神经网络
todoooooo的博客
05-26 2126
论文地址：Dual-Primal Graph Convolutional Networks 这篇论文的主要工作是通过构建对偶图Dual Graph的方式将原图的边转换成对偶图中的节点，从而获得edge embedding。 什么是对偶图？ 原文中给出了这样的解释： Let G=(V,E)\mathcal{G}=(\mathcal{V}, \mathcal{E})G=(V,E)be a given directed graph, to which we refer as the primal graph.
Primal-Dual原对偶问题大致介绍
qq_37959202的博客
12-24 5044
简介  线性规划技术是多项式时间可解的。通过将整数规划松弛为线性规划后（如将x∈{0,1}x\in\{0,1\}x∈{0,1}松弛为x≥0x\geq0x≥0）,得到一个分数解（fractional），之后再将分数解进行取整得到整数规划的整数解。  其中primal-dual方法是一种被广泛使用的优化方法，在凸优化和组合优化上有很多应用；其在NP-hard问题的近似算法上也有广泛的使用。下文通过线性规划上的primal-dual方法的应用，进行简单的介绍。  有一篇关于对偶和拉格朗日对偶问题的描述：优化方法：
SVM算法的相关问题
shuzin的专栏
10-15 801
1.为什么SVM要通过求解对偶问题来获得与之等价的原问题的最优解？ 2.Lagrange对偶与Wolfe对偶的区别 3.对KKT条件的理解 4.支持向量的几何解释 5.对偶的理解
Certificates of Primal or Dual Infeasibility.pdf
10-16
当线性规划问题存在最优解时，通常可以通过求解原问题（primal problem）和对偶问题（dual problem）来获得最优解，这两者在可行的情况下具有相同的最优值。原问题和对偶问题的可行性以及零对偶差距可以作为最优解...
Primal-Dual Integer Programming-开源
04-28
在解决过程中，Primal-Dual方法会交替地更新原问题和对偶问题的解，直至找到满足KKT条件（Karush-Kuhn-Tucker conditions）的解，这是非凸优化问题的必要最优解条件。 总的来说，GYWOPT通过Primal-Dual Integer ...
Primal-dual interior point method ppt
01-30
解凸优化等式非等式约束问题的主-对偶内点法的PPT，可以用于线性问题
Primal and dual objective space algorithms for solving linear multiplicative programmes
12-28
原对偶目标函数空间的线性多乘积规划问题求解算法，邵立珍，Ehrgott Matthias，多乘积规划问题是众所周知的NP-难的全局优化问题。本文致力于线性多乘积规划问题求解算法的研究。首先,我们改进了我们自己提出的�
机器学习之&&Dual（带约束条件的最优化问题）
sp_programmer的专栏
12-12 1万+
关于dual的相关知识，这套理论不仅适用于SVM的优化问题，而是对于所有带约束的优化问题都适用，是优化理论中的一个重要部分。(也许你觉得一个IT人优化问题不重要，其实你仔细想想，现实中的很多问题，都是在有条件约束的情况下的求最优的问题)
原始-对偶（Primal-Dual）算法求解线性规划
qq_42070741的博客
09-20 6735
​原始-对偶（Primal-Dual）算法（Dantzig, Ford, and Fulkerso,1956）是用来求解线性规划的一种算法，可以看作是单纯形法的一种变体，目的是减少迭代次数。 构建该算法的核心依据为原问题和对偶问题的最优解满足的互补松弛关系。 考虑以下线性规划问题： min⁡cTxs.t.Ax⩾b(P)x⩾0 \min \quad \boldsymbol{c}^T\boldsymbol{x} \\ s.t. \\ \boldsymbol{Ax}\geqslant \boldsymbol{.
运筹系列26：对偶问题和对偶单纯形法
热门推荐
kittyzc的博客
05-16 2万+
原问题min⁡z=cx\min z=cxminz=cx s.t. Ax≥bAx\ge bAx≥b x≥0x\ge 0x≥0 对于min⁡z\min zminz，我们构造松弛问题给出下界，然后最大化下界。对约束条件做一些转化： (Ax)Ty≥bTy(Ax)^Ty\ge b^Ty(Ax)Ty≥bTy，即xTATy≥bTyx^TA^Ty\ge b^TyxTATy≥bTy 由于x≥0x\ge 0x≥0，保...
Primal problems and dual problems
qq91752728的博客
01-28 912
优化方法：原问题和拉格朗日对偶问题（primal-dual）
zuzhiang的博客
11-28 6774
本文主要讲解有关原问题和拉格朗日对偶问题，以及它们之间的关系，从而引出弱对偶性和强对偶性以及 KKT 条件和 Slater 条件。 原问题 优化问题一般都可以写为下面的形式： min⁡f0(x),x∈Rn \min f_0(x),\quad x\in R^n minf0​(x),x∈Rn s.t.fi(x)≤0,i=1,2,...,m s.t.\quad f_i(x)\leq0,\quad i=...
支持向量机：Duality
nciaebupt
12-03 1195
本文是“支持向量机系列”的番外篇(1)，参见本系列的其他文章。 在之前关于 support vector 的推导中，我们提到了 dual ，这里再来补充一点相关的知识。这套理论不仅适用于 SVM 的优化问题，而是对于所有带约束的优化问题都适用的，是优化理论中的一个重要部分。简单来说，对于任意一个带约束的优化都可以写成这样的形式： mins.t.f0(x)fi(x)≤0,i=1,
凸优化－对偶问题
11-15 1826
05 November 2015 1. 引言 凡心所向，素履所往，生如逆旅，一苇以航。 很高兴阿森纳能在欧冠上战胜拜仁，在虎扑上看到这样的一句话，颇有感触，借来作为这篇博文的开始，生活中我们需要一些勇气去追寻自己的理想。回到本篇内容上，对偶是个神奇的东西，从文学角度而言，对偶和对仗属于一种修辞手法，即用字数相等，语义对称的方法来表征想法或抒发情感。“凡心所向，素履所往，生如逆旅，一
输入一个原问题得到对偶问题不求解的python代码
05-30
以下是一个简单的 Python 代码，可以将输入的原问题转换为对偶问题，但不会对问题进行求解： ```python def dual_problem(primal_problem): """ Converts a given primal problem to its corresponding dual problem """ # Extracting the objective function coefficients from the primal problem primal_c = primal_problem['c'] # Extracting the constraint coefficients from the primal problem primal_A = primal_problem['A'] # Extracting the right-hand side values from the primal problem primal_b = primal_problem['b'] # Transposing the constraint coefficients matrix dual_A = primal_A.T # Extracting the number of variables and constraints from the primal problem num_vars = primal_A.shape[1] num_constraints = primal_A.shape[0] # Constructing the dual objective function coefficients dual_c = -primal_b # Constructing the dual constraint coefficients dual_b = -primal_c # Constructing the dual right-hand side values dual_lb = np.zeros(num_constraints) dual_ub = np.ones(num_constraints) * np.inf # Constructing the dual problem dictionary dual_problem = {'c': dual_c, 'A': dual_A, 'b': dual_b, 'lb': dual_lb, 'ub': dual_ub} return dual_problem ``` 注意：这个代码假定输入的原问题是线性规划问题，并使用 NumPy 库来进行矩阵操作。如果输入的原问题不是线性规划问题，或者没有安装 NumPy 库，则需要进行适当的修改。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值