【运筹学笔记】 第二章 对偶理论

第二章 对偶问题

对偶问题的提出

我们可以先通过一个常识来理解“对偶”的含义和特征：

矩形中，周长一定，正方形的面积最大；面积一定，正方形的周长最小。

在许多课本中，都用如下的例子来引出对偶理论：

​ 企业A拥有m种资源（有m 个约束），可以消耗资源生产n 种产品（有n 个变量），目标是最大化总收入；那么对偶问题就是，企业B想要收购这些资源，需要确定m 种资源的报价（有m 个变量），目标是最小化总成本，但企业A只有在卖资源的收益不低于卖产品的时候才会同意卖资源（n个约束）。

而从数学角度，对偶问题可以被理解为寻找原问题目标函数上界或下界的问题。

对偶问题用途

• 原问题约束多、变量少时，求解对偶问题能够降低计算时间
  使用单纯形法时，如果原问题约束多变量少，转换成对偶问题，就是约束少变量多。回顾单纯形法的原理，约束的减少能够有效降低计算时间。

• 帮助证明原问题无解
  类似“证明无罪比证明有罪更难”，要证明原问题有解，只需要找出一个满足约束的点，但是想证明原问题无解，总不能遍历所有的点来证明吧？而对偶问题的出现为证明原问题无解提供了思路。

• 便于进行敏感度分析
  除了得到最优解，我们可能还关注"如果某些已知条件发生变化，对最优解的影响程度如何"，这就是敏感度分析。对偶问题和敏感性分析息息相关。一是增加敏感度分析的直观程度（例如，对偶问题的最优解就是原问题约束的影子价格），二是在改变某些条件导致原问题无可行解时，可以借助仍然有可行解的对偶问题来分析。

对偶问题的一般形式

若原问题为$L{P}_1$
$$\begin{array}{r}maxz=CX\\ s.t.\{\begin{array}{r}AX\le b\\ X\ge 0\end{array}\end{array}$$
则其对偶问题定义为$L{P}_2$
$$\begin{array}{r}minw=Y^{T}b\\ s.t.\{\begin{array}{rl}& A^{T}Y\ge C^T\\ & Y\ge 0\end{array}\end{array}$$
若原问题并非$L{P}_1$形式，则我们可以首先将其转化为$L{P}_1$形式，然后按照前面定义即可计算出其对偶问题。

$$\begin{gathered} \sum _{i=1}^n{a}_{ij}{x}_j=b_i\Rightarrow \{\begin{array}{r}\sum _{i=1}^n{a}_{ij}{x}_j\le b_i\\ \sum _{i=1}^n-a_{ij}{x}_j\le -b_i\end{array} \\ \sum _{i=1}^n{a}_{ij}{x}_j\ge b_i\Rightarrow \sum _{i=1}^n-a_{ij}{x}_j\le -b_i \end{gathered}$$

也可以用如下方法进行变换：

举个例子:

原问题
$$\begin{array}{rl}minz=& 7x_1+4x_2-3x_3\\ s.t.=& \{\begin{array}{c}-4x_1+2x_2-6x_3\le 24\\ -3x_1-6x_2-4x_3\ge 15\\ 5x_2+x_3=30\\ x_1\le 0,x_2无约束,x_3\ge 0\end{array}\end{array}$$
首先把$C$和$b$互换，$A$转置
m a x   w =       24       15     30 s . t . { − 4 − 3 0 7 2 − 6 5 4 − 6 − 4 1 − 3 \begin{aligned} max~w=&~~~~~24~~~~~15~~~30\\ s.t.&\left\{ \begin{matrix} -4&-3&0&&7\\ 2&-6&5&&4\\ -6&-4&1&&-3 \end{matrix} \right. \end{aligned} max w=s.t.​