线性规划的对偶问题

标准型的对偶问题

线性规划的标准型如下：
$$\begin{gathered} 目标函数：max{c}_1{x}_1+c_2{x}_2+...+c_n{x}_n \\ 等式约束：P_1{x}_1+P_2{x}_2+...+P_n{x}_n=\vec{b} \\ 非负性约束：x_j\ge 0 \end{gathered}$$
直观的感觉，原问题和对偶问题互相为界，因此只有二者在都去的最优目标函数的时候才能建立起来联系。
找到最优目标函数，实质是找到最优基矩阵B。
$$\begin{gathered} 可行性条件(基变量满足非负性约束)：B^{-1}\vec{b}\ge 0 \\ 非基变量都是0，自动满足可行性条件。 \\ 最优性条件： \\ {\sigma }_{j(i)}=c_{j(i)}-C_B^T{B}^{-1}{P}_{j(i)}=0i\le m(基变量的检验数等于0) \\ {\sigma }_{j(i)}=c_{j(i)}-C_B^T{B}^{-1}{P}_{j(i)}\le 0i\ge m+1(非基变量的检验数小于等于0) \end{gathered}$$
考虑通过最优性条件构建对偶问题的决策变量：

这里的$Y_B$就是对偶问题达到最优时的决策变量，是一个m维的列向量。

对偶问题的最优性条件由原问题的可行性条件构建：

总结

注意：

1. 原问题和对偶问题的决策变量并无关联，他们互相为界，仅仅在最优处取得联系。
2. 原问题的约束条件对应对偶问题的决策变量，因此对偶问题有m个决策变量。
3. 原问题的决策变量对应对偶问题的约束条件，n个。
4. 这里的对偶问题的决策变量没有非负性约束，因此转化为标准型需要做两件事，第一是将自由变量转化为非负性约束的变量，第二是将不等式约束转化为等式约束。

一般线性规划问题的对偶问题

原问题

对偶问题

原问题和对偶问题解的情况

1. 当原问题存在有限最优解时，对偶问题也有。
2. 当原问题无界时，对偶问题没有有限的可行解。当原问题无界时，即无法构建出最优性条件，而原问题的最优性条件恰恰是对偶问题的可行性条件。
3. 当原问题没有无可行解时，对偶问题的情况不确定
   

原问题和对偶问题总结

1.如果原问题是求最大，则对偶问题求最小，反之亦然。
2. 原问题的决策变量对应对偶问题的约束条件，原问题的约束条件对应对偶问题的决策变量。
3. 原问题的约束决策变量对应对偶问题的不等式约束，不等号的方向取决于原问题求最大值还是最小值；原问题的自由决策变量对应对偶问题的等式约束。
4. 原问题的不等式约束对应对偶问题的约束决策变量（要求非负），原问题的等式约束对应对偶问题的自由变量。

求对偶问题的一般方法

1. 把b和c互换位置，系数矩阵改成转置，求最值反转。（如果原问题求最大，则对偶问题求最小）
2. 确定对偶问题中哪些是等式约束，哪些是不等式约束：每个约束都对应于原问题的决策变量，约束决策变量对应不等式，自由决策变量对应等式。
3. 确定不等式约束中不等号的方向：如果原问题是求最大，则是大于号；否则是小于号。
4. 确定对偶问题中哪些是约束决策变量：取决于该问题对应的原问题的约束条件是否为不等式约束。

三种常见形式的对偶问题

1. 标准形式
   原问题
   $$\begin{gathered} \max c^{T}X \\ s.t.AX=b \\ X\ge 0 \end{gathered}$$
   对偶问题
   $$\begin{gathered} \min b^{T}Y \\ s.t.A^{T}Y\ge c \end{gathered}$$
2. 规范形式
   原问题
   $$\begin{gathered} \min c^{T}X \\ s.t.AX\ge b \\ X\ge 0 \end{gathered}$$
   对偶问题
   $$\begin{gathered} \max b^{T}Y \\ s.t.A^{T}Y\le c \\ Y\ge 0 \end{gathered}$$
3. 一般形式.