在学习列生成和分解算法的时候，会频繁用到线性规划和对偶的知识，可以说LP和DP是基础。因此理解线性规划和对偶的本质是很重要的。
目录
单纯形法是纯代数运算，从一个顶点跳到另一个顶点；且我们知道最优解一定在顶点取得，可是为什么在顶点一定会取得最优解？为什么从一个顶点跳到另一顶点，通过进基出基就可以实现，它俩为什么是一一对应的？除此以外，在分解算法中的极点和极射线和LP的解是什么样的对应关系？
这些问题，应该说必须了解了线性规划和对偶的本质才能够深刻理解，而不至于陷入机械无脑的计算。大概看了慕课的课程，感觉山东大学的王明强老师的授课思路清晰，可以一看。
单纯形法表面看是代数计算，本质是几何问题。当涉及高维空间时，我们没办法直观想象，因此化为代数运算可以简化求解过程，但是对于理解不易，也就是说为了更好的理解，我们最好从几何的角度来加深理解。
本文通篇写的LP是max问题，对偶是min问题。
1 基础知识——超平面，多面体
比较重要的基础知识是，超平面和多面体这两个概念。因为在后续的推导中会反复用到。
1.1超平面（hyperplane）
我们可以理解为：超平面是一个n维/高维的平面，比如2维的超平面是一条直线；3维的超平面是一个平面，当然，直线和平面都属于超平面的范畴，或者我们说超平面是二维平面向多维的拓展。超平面用数学式来表达其实就是一个线性等式。
附带说一句，（n维）超平面将n维实数空间分为两个半空间（halfspace），也就是ax<=b和ax>=b两部分。
更直接的说，超平面就是LP问题的约束。一个超平面对应一个约束，m个约束形成的多个半空间的公共部分就是LP的可行域。
1.2 多面体（polyhedron）
上述多个超平面围起来的公共部分其实就是多面体（对应着LP的可行域）。用数学表达式表示为：
另外，我们可以发现多面体一定属于凸集，因此有时我们称为凸多面体。
再者，我们看到一般表达式中是<=。其实>=或者=也都属于多面体。因为可以通过变换，比如*(-1)或者连立<=和>=，很容易证明的。
除此以外，我们可以从表达式中发现，多面体的边一定是刚性的，因为是严格的线性约束，所以柔和变化的弧线就不属于多面体等等。
注：对于集合内的每一对点，连接该对点的直线段上的每个点也在该集合内，那么该集合是凸集。数学表达为：
与凸集有关的知识还有顶点，不能用相异的两个点的线性表达来表示的点叫做顶点。
2 单纯形法的由来
完整的脉络应该是（从图解法到）穷举法到单纯形法。
从图解法的例子可以看出多面体的形状，而且还可以观察到确实最优解会在顶点处取到。这是直观感觉，真正的原因是多面体是多个超平面的公共部分，多面体是带有凸点的几何形状，那么把目标函数也看做是一个超平面，不断移动来接近（或者移出）可行域，最先碰触的一定是多面体的某个顶点，因此，最优解一定在顶点取到。
假如（多面体的）顶点个数已知，我们穷举出所有的顶点，然后在其中找最好的顶点，那么必定就是最优解。那么首要问题是怎么找顶点，因为顶点往往是交点，所以我们可以利用交点（也就是连立方程组）求解，但是要注意的是，交点不一定是顶点，所以我们还要判定交点的可行性，满足可行性的交点才是真正的顶点。总结一下：先找交点——再找顶点（即可行的交点）——比较所有顶点找最优的那个即最优解。——这就是穷举法的思路。
但是，图解法有以下问题：
1）需要把所有约束化为等式约束；
2）交点需要连立约束的方程组，也就是组合问题，当约束很多的时候计算量很大，即当约束数量为m个（包括变量取值约束），变量为n维，那么需要求解次；
3）需要一一判别交点是否是可行的，也有一定的工作量；
4）需要找到所有的交点，然后对比，与1）是对应的，工作量也不小。
因此，我们提出单纯形法，即通过巧妙的设计，取穷举法的精华（思想），同时避免穷举法的弊病。
同时，我们用第一部分的知识再来阐述下顶点和交点的本质。假如是Ax<=b，其中A是m*n维，也就是说变量是n维的，多面体是n维多面体。
（1）一个约束对应一个超平面，当约束是等号约束时，意味着该超平面被固定；当约束是不等号约束时，意味着该超平面可以移动。总而言之，一个约束对应一个超平面。
（2）顶点即为n个超平面的公共部分，那么n-1个超平面的公共部分是一条边。
3 单纯形法
（1）由于LP的可行域是凸多面体，因此可知，当一个顶点比周围的顶点都优时，说明它就是最优解。所以只对比它周围节点的优劣性即可——这个可以避免找到并对比所有的交点（可行解），减少了计算量。
同时，当用单纯形法计算时，化标准型后：
1）松弛变量的引入直接把约束变成了等式——不必专门取等号了，且有以下好处；
2）松弛变量的引入可以直接对应着一个初始可行解，因为约束右端项b为正，即可行；同时在迭代过程中，每一次都化成单位阵，那么对应的b列就是解本身，且在这个过程中始终保持b为正，因此解始终是可行的——避免了可行性验证，同时可以直接看出下一个解；
3）松弛变量的取值情况对应着原约束Ax<=b的满足，违背或取等。
上述即松弛变量，Ax+x'=b。
当取值为负，即Ax>b，原约束被违背；当取值为正，即Ax<b，原约束被满足；当取值为0，即原约束被取等。
简而言之，添加松弛变量有很多好处！
可以看到，单纯形法通过以上关键设计，使得求解更为简单且直观。
那么接下来只剩下一个关键问题，怎么从一个点跳到相邻的最好点呢？这里涉及到两个问题，一个是跳到相邻，其实是最好的相邻。这部分内容其实运筹教材都讲过了，我简单提一下，为了保证跳到相邻最好点，其实就是我们精心选择，也就是通过精心选择主元，或者出基和进基变量决定的。
接下来我会用几何概念，也就是超平面和多面体的概念解释单纯形的步骤，以及每步对应到几何中的运动过程。
3.1 基、基解在几何中的对应关系
（1）首先，可行解对应多面体可行域内的点，这个比较容易理解；
（2）基解，即化为标准型后，此时包含所有松弛变量的总变量为n维，其中松弛变量数和约束个数相等为m维，那么很容易知道原来的变量/解空间为n-m维。将n-m个非基变量置为0，同时去除这些非基变量对应的列，剩余的m列（松弛变量的维度）构成的新约束连立求解；或者可以认为是将n-m个非基变量置为0，同时抽取剩余的m列进行求解，得到基变量的取值。注意，从这个求解中，我们可以看到，这m列必须线性无关，或者说满秩，因为只有满秩，才有解；否则有效约束数<变量维数，无解。这也是我们为啥把基阵化为单位阵的原因，即始终保证满秩，有解，避免无解情况。
我们再来说一下：基解，即非基变量为0，求得基变量，合并基变量和非基变量得到基解。注意非基变量为0是我们硬性规定的。基解是n个约束同时求解的，即n个超平面的交点，汇总一下就是围成可行域的n个超平面的交点。注意，这里的n是解空间的维数，即上一段的n-m。
（3）基可行解对应着可行域的顶点。
基解不一定可行，当基解是顶点+可行（所有变量>0），即基可行解，才对应着可行域的交点。
3.2 单纯形法的原理，对应几何运动过程
（1）一开始标准化，有以下好处：
a）出现一个基即单位阵，且b列为正，即有一个初始可行解；
b）之后行变换很容易；
（2）迭代，即一进基，一出基。
a）其实对应着超平面的变化过程，当进基时，即非基变量取值不再为0，即可以自由取值（该约束不再满足，剩余n-1维超平面），那么对应的那个约束或者说超平面开始移动；出基变量意味着截断移动，即超平面不断移动，一直到碰到下一超平面，新的一组n维超平面形成了一个新的交点，同时因为单纯形表一直保持着b'列为正，也就是说到达了相邻的顶点。
从这个过程中，我们可以看到，当开始自由移动时，原来的n-1维超平面的公共区域是边，即沿着边移动；当碰触到新的超平面时，原来的n-1维超平面+碰触到的超平面=新的n维超平面，形成一个新的交点，因为是沿着边移动的，且一直保证可行，所以一进基一出基保证了是从一顶点跳到相邻的顶点。也就是说去除一个超平面，添加一个新的超平面，能够实现从一顶点到相邻顶点的跳动；再换句话说，相邻顶点只有一个非基变量不同，一个基变量不同。
b）我们知道，相邻顶点有很多个，同时这里没有局部最优，因此迭代是希望走向更好的方向。因此我们希望走到相邻的最好顶点，根据推导我们知道，当大于0，意味着可以改善当前解；那么我们找最大的增量当然改善最大，也就是往最好的临点跳动。（注意，这里通篇是max问题。）——这个决定了入基列。
c）同时为了保证在迭代过程中解始终可行，我们也精心选择了。
的选择考虑两方面的因素，一个是可行，也就是所有变量>=0，所以
要往小的方向取；同时因为出基的原因，新非基变量要=0，因此只能取到某一顶点。——这个决定了出基变量。
总结一下：
入基决定了迭代的寻优方向，出基决定了迭代的前进步长。 此时我们再来回想一下上面提到的：一个超平面移动，往哪个方向移动寻优方向如何确定，即入基的那个方向移动；一直移动到新超平面和原来的n-1维超平面的交点，停止，即前进的步长。这么一回想，就会发现二者的联系和对应性。
3.3 解的3种情况（界的角度）
最初我们学习LP，常见的是4种情况：无解；唯一最优解；多个最优解；无穷最优解。
现在我们换个角度，来阐述下解的情形。
（1）无解——即对应无解，无可行域的情形
- 若可行域为空集，其对偶问题无界，则原问题也无界，模型目标值可以取到无穷小，失去求解意义。
（2）有界解（唯一解，多解和无穷多解）
- 若可行域非空且有界，最优解一定在可行域的某个极点上。
（3）无界解（唯一解，多解和无穷多解）
- 若可行域非空且无界，最优解一定可以由可行域的某个极方向表示。
其中，无界指的是可以取到正/负无穷。
转换思路的好处是，可以从极点和极射线的角度来对解的情况进行阐释。也就是说后两种有界解和无界解的情形，分别对应着极点和极射线。极点可以理解成多面体的顶点，多面体就是LP的可行域围成的部分；极射线与无界相联系。
3.4 极点与极射线
我们用数学表达式再来叙述下极点和极射线：
（1）极点（extrame point）
多面体的顶点也被称为极点（extreme point），它的定义为：对于多面体， 若在多面体内找不到任意两个不同于x 的点x1和x2， 以及一个标量 λ∈[0,1]， 使得x = λx1+(1−λ) x2，则x为极点。这个定义和顶点的定义很类似，感觉可以理解成一个东西。（即 x 不在多面体内任何两点的连线里）。
极点可以通过求解这个线性规划，得出的最优解即为一个极点。因为线性规划的最优解总存在于极点上。或者令 n 个线性无关的约束条件取等号，解方程得出，其中 n 为多面体的维度。
（2）极射线（extrame ray）
多面体的射线定义为：对于一个向量d， 若对于多面体的任何一点x以及任意非负标量λ，都有x+λd∈P，则称d为多面体
的射线。
多面体的极射线定义为：对于多面体中任何两个线性无关的射线d1，d2。若射线d不能表示为d=λ1d1+λ2d2，其中d1和d2为大于零的标量，则d为多面体的极射线。几何意义：多面体边界上的射线是极射线。
要求出极射线，要用到它的另一个定义：对于一个多面体 {x∣Ax≥b}，它的多面锥（又称退化锥，因为是从多面体退化的）为 {x∣Ax≥0}，假设x有n 个维度，则n-1个线性无关的约束条件取等号，同时满足剩下的那个条件，则可以求出一个极射线。
注：极射线是一个向量，因此极射线可以有多个解，可以通过求解一个带辅助变量的线性规划问题得出（辅助变量为一个0-1变量，目标函数为这个辅助变量值最大，约束条件中：随便选取 n-1 个约束取等号放进去，剩下那个约束也放进去，随便让其中一个变量等于 1）。
例如，下面这个多面体中的箭头，都是该多面体的射线。其中，红色的线表示极射线。或者我们可以直观的认为极射线是多面锥的棱边，多面锥是多个超平面围成的锥。
3.5 极点、极射线的性质
（1）一个多面体若存在极射线，则该多面体无界。——极射线性质1
（3）Ad=0。——极射线性质2
因为x是极方向上的点，则x+λd亦是极方向上的点，d是极方向，λ控制着在极方向上的移动步长。那么有A(x+λd)=b，Ax+λAd=0，因为Ax=b，因此Ad=0。
（4）c'd<0则无界。——极射线性质3
若有c'(x+λd)<c'x，只要加大步长，那么目标函数可以一直减小下去，直到达到负无穷。即，c'x+λc'd<c'x，因此c'd<0。这里c'表示c的转置。
上面两个性质指的是（1）和（2）。这一部分，即多面体内的任意一点都可以用极点和极射线的凸组合来表示，也即Minkowski定理，没有做过多的整理，但是在实际中会比较经常用到。
4 对偶理论
如果说原问题是在保证可行的基础上，让可行解变得更好。即在保证b'为正（可行）的条件下，使得所有检验数都<0，不再有改善的余地/或者说让对偶问题可行，此时最优。
那么对偶问题与之类似，在保证可行（检验数非正）的基础上，改进解的质量。即在保证检验数非正的情况，因为检验数=负的对偶变量，检验数非正意味着对偶变量非负，也就是对偶问题可行；在此基础上让原问题可行，即b'为正。
上述描述中，我其实已经用到了对偶定理。即强对偶性，即当原问题和对偶问题都存在可行解且相等时，同时达到最优。同样的，对偶单纯形表默认原问题和对偶问题解相等，那么只需要考虑另一方可行即可；如在求解LP时在LP可行的条件下，使DP可行；如在求解DP时在DP可行的条件下，使LP可行。
其实，LP通常会进行矩阵描述，它的目的其实是为了最终推出，检验数是负的对偶变量；最终单纯形表中原单位阵中的位置为B的逆；还有为了后续的灵敏度分析。
书中已有的不再赘述，下面介绍对偶性质。
4.1 LP与DP图示
假如原问题，即LP问题是关于x的max问题；对偶问题是关于y的min问题。那么可以推导出如下性质（因为max和min互为对偶（直观理解是对称），因此反过来也可以用同样的逻辑推导的，但是需要注意上下界问题）。
4.2 对偶性质
原问题maxc'x，对偶问题b'y
（1）弱对偶性
若x和y分别是原、对偶问题可行解，则有c'x<=b'y。注意这里c'和b'分别表示c和b的转置（我不会承认自己懒而没使用公式。）
也就是说：
原问题任一可行解的目标函数是对偶问题的下界；
对偶问题任一可行解的目标函数是原问题的上界。
我们可以直观的感受下，原问题是最大化obj，对偶问题是最小化obj，最终两者会达到同一归处，那么原问题永远比对偶问题小，直到二者碰到，同时最优。回顾4.1的图，即原问题在对偶问题下边；对偶问题在原问题上边。
（2）无界性
直观理解下，根据弱对偶性，原问题为对偶问题提供下界，对偶问题为原问题提供上界。
a）当原问题无界时，最大化无界，即取到正无穷了，无法为对偶问题提供下界了（或者说把所有解空间占据，上边没有对偶问题的领地了），那么对偶问题无可行解。
如果对偶问题无界，最小化无界，即取到负无穷，无法为原问题提供上界（或者说把所有解空间占据，下边没有原问题的领地了），那么原问题无可行解。
b）若原问题有可行解，而对偶问题无可行解，则原问题无界。直观理解是：原问题有可行解，即在解空间上占据了某区域，但是对偶问题无可行解即不占据任何区域，那么原问题只能是无界了即占据了所有区域。
c）若原问题无解，即在解空间不占据任何区域，要么对偶问题无解，即在解空间不占据任何区域；或者无界，占据了所有解空间，一直取到负无穷。
（3）最优性
上面对偶单纯形法，其实用到的就是这个。除此以外，当二者不等时，两者之间的差值，叫做对偶间隙，也就是说当对偶间隙=0时，松弛问题等同于原问题；否则，只能为其提供一个界。这个在松弛问题，比如后面的拉格朗日松弛也会用到。
（4）强对偶性
这个没啥解释的。
值得解释的是上面这个表。这个表我个人感觉比较重要。
4.3 对偶性质的运用
其实上述的对偶性质大家都知道，但是未必会用。
比如：
（1）同时求解原问题和对偶问题，可以快速判断原问题是否有界，也就是说可以以快速得出更多的信息。判断问题是否有解其实很容易，找到满足约束的解就是可行解了；但是判断问题是否有界会很难，对偶问题可以很容易让我们知道问题是否有界，它的求解难度和判断问题是否有解一样。
（2）可以将复杂度在约束和目标函数之间转化。比如，在Benders分解中，我们看到因为y取值变化，导致约束变量始终在变化，也就是可行域在变化；而通过对偶，y被转移到目标函数上了，那么可行域保持不变，只是目标函数在不断变化。
（3）对偶问题为原问题提供了一个界，可以随时知道解的质量。
这三点比较重要，但书中直接点明的不多。
896
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
