线性规则的对偶理论

最新推荐文章于 2024-07-08 22:12:26 发布

背对人潮

最新推荐文章于 2024-07-08 22:12:26 发布

阅读量167

点赞数

分类专栏：最优化问题 # 线性规划文章标签：算法机器学习人工智能线性代数

本文链接：https://blog.csdn.net/m0_61209712/article/details/134532992

版权

最优化问题同时被 2 个专栏收录

24 篇文章 13 订阅

订阅专栏

线性规划

6 篇文章 1 订阅

订阅专栏

前言：

线性规则中，用同样的条件和数据从不同的角度描述问题建立起两个不同的数学模型。这两个数字模型有着密切的关系，研究他们的关系，可以对线性规划理论有进一步认识，并且可以从中导出求解线性规则的方法。

每一个线性规划问题，我们都可以构造出与之相对应的另一个线性规则问题，若称前者为原问题，那么后者就称为它的对偶问题。

对偶规则的形式：

LP：原规则	DP：对偶规则
变量 ≥ 0	行约束 ≤
变量无非负限制	行约束 =
行约束 ≥	变量 ≥ 0
行约束 =	变量无非负限制

对于 LP ，有线性规划条件：

$\left\{\begin{matrix} min f(x)=c^{T}x\\ s.t. Ax\geq b \\ x\geq 0 \end{matrix}\right.$

可转化为 DP ：

$\left\{\begin{matrix} min w(y)=b^{T}y\\ s.t. A^{T}x\leq c \\ y\geq 0 \end{matrix}\right.$

例如下面这道例题：

$\left\{\begin{matrix} min f(x)=6x_{1}+4x_{2}+7x_{3}\\ s.t. x_{1}+x_{3}\geq 2 \\ 3x_{1}+2x_{2}+x_{3}\geq 4\\x_{1},x_{2},x_{3}\geq 0 \end{matrix}\right.$

其中 $A=\left [ \begin{smallmatrix} 1 &0 &1 \\3 &2 &1 \end{smallmatrix} \right ]$ ， $b=\left [ \begin{smallmatrix} 2 \\4 \end{smallmatrix} \right ]$ ， $c^{T}=(6,4,7)$

则我们根据上面的公式，可以求出：

$A^{T}=\left [ \begin{smallmatrix} 1 &3 \\0 &2\\1&1 \end{smallmatrix} \right ]$ ， $b^{T}=\left [ \begin{smallmatrix} 2 &4 \end{smallmatrix} \right ]$

$\Rightarrow \left\{\begin{matrix} max w(y)=2y_{1}+4y_{2}\\ s.t. y_{1}+3y_{2}\leq 6 \\ 2y_{2}\leq 4\\y_{1}+y_{2}\leq 7\\y_{1},y_{2}\geq 0 \end{matrix}\right.$

注：由此可见，原本三个变量变成了仅两个变量，就可以简单的用图解法求出对偶规则的最优解。

对偶理论：

定理1：弱对偶原理：如果 x ，y 分别是 LP 和 DP 的可行解，则有 $c^{T}x\geq b^{T}y$

定理2：强对偶原理：在互为对偶的两个线性规则问题中，一个有最优解，则另一个必有最优解，并且最优值相等。

定理3：对称形式的松紧定理：如果 X 与 Y 分别是对称形式的线性规则 LP 和对偶问题 DP 的可行解，则 X 与 Y 同时也分别是各自的最优解的充要条件是：

$\left\{\begin{matrix} (A^{T}Y-c)^{T}X=0\\Y^{T}(AX-b)=0 \end{matrix}\right.$

（两个条件相结合看，松 $\Leftrightarrow$ 紧）

例题解析：

例题：利用互补松弛条件求解线性规则问题

$\left\{\begin{matrix} min f(x)=4x_{1}+3x_{2}+6x_{3}\\ s.t. 4x_{1}+x_{2}+3x_{3}\leq 30 \\ x_{1}+2x_{2}+3x_{3}\leq 40\\x_{1},x_{2},x_{3}\geq 0 \end{matrix}\right.$

解：针对原问题，我们写出它的对偶问题：

$\Rightarrow \left\{\begin{matrix} max w(y)=30y_{1}+40y_{2}\\ s.t. 4y_{1}+y_{2}\geq 4\\ y_{1}+2y_{2}\geq 3\\y_{1}+y_{2}\geq 2\\y_{1},y_{2}\geq 2 \end{matrix}\right.$

由此，我们可以画出图像：

利用图解法得到最优解： $\bar{y}=(1,1)^{T}$

由互补松紧条件：

$\bar{y}_{1}=1>0\rightarrow4x_{1}+x_{2}+3x_{3}=30$

$\bar{y}_{2}=1>0\rightarrow x_{1}+2x_{2}+3x_{3}=40$

$4\bar{y}_{1}+\bar{y}_{2}> 4\rightarrow \bar{x}_{1}=0$

$\bar{y}_{1}+2\bar{y}_{2}=3\rightarrow \bar{x}_{2}\neq 0$

$\bar{y}_{1}+\bar{y}_{2}=2\rightarrow \bar{x}_{3}\neq 0$

得到原问题的最优解：

$\left\{\begin{matrix} 4x_{1}+x_{2}+3x_{3}=30\\ x_{1}+2x_{2}+3x_{3}=40\\ x_{1}=0\end{matrix}\right.$

得到最优解： $\bar{x}=(0,10,20/3)^{T}$ ，最优值为 70。

（行文中若有纰漏，希望大家指正）

背对人潮

关注

0
点赞
踩
2

收藏

觉得还不错? 一键收藏
打赏
0
评论
线性规则的对偶理论

线性规则中，用同样的条件和数据从不同的角度描述问题建立起两个不同的数学模型。这两个数字模型有着密切的关系，研究他们的关系，可以对线性规划理论有进一步认识，并且可以从中导出求解线性规则的方法。每一个线性规划问题，我们都可以构造出与之相对应的另一个线性规则问题，若称前者为原问题，那么后者就称为它的对偶问题。
复制链接

扫一扫