UA SIE545 优化理论基础4 对偶理论简介3 强对偶
上一讲介绍了弱对偶,弱对偶满足
inf { f ( x ) : x ∈ X , g ( x ) ≤ 0 , h ( x ) = 0 } ≥ sup { θ ( u , v ) : u ≥ 0 } \inf\{f(x):x \in X,g(x) \le 0,h(x)=0\} \ge \sup\{\theta(u,v):u \ge 0\} inf{
f(x):x∈X,g(x)≤0,h(x)=0}≥sup{
θ(u,v):u≥0}
如果这个式子取等,那就是强对偶,原问题与对偶问题的最优值相等。相比弱对偶,我们肯定是更希望有强对偶的,这一讲我们讨论什么样的优化问题,它的Lagrange对偶是强对偶。
Strong Duality Theorem
假设 X X X是非空凸集, f , g f,g f,g是凸函数, h ( x ) h(x) h(x)是仿射函数(或者可以写成 h ( x ) = A x − b h(x)=Ax-b h(x)=Ax−b的形式),使得下面的条件成立:
∃ x ^ ∈ X , g ( x ^ ) < 0 , h ( x ^ ) = 0 , 0 ∈ i n t h ( X ) \exists \hat x \in X,g(\hat x)<0,h(\hat x)=0,0 \in int\ h(X) ∃x^∈X,g(x^)<0,h(x^)=0,0∈int h(X)则下面的结论成立
inf { f ( x ) : x ∈ X , g ( x ) ≤ 0 , h ( x ) = 0 } = sup { θ ( u , v ) : u ≥ 0 } \inf\{f(x):x \in X,g(x) \le 0,h(x)=0\} =\sup\{\theta(u,v):u \ge 0\} inf{
f(x):x∈X,g(x)≤0,h(x)=0}=sup{
θ(u,v):u≥0}
另外,如果 inf { f ( x ) : x ∈ X , g ( x ) ≤ 0 , h ( x ) = 0 } < ∞ \inf\{f(x):x \in X,g(x) \le 0,h(x)=0\}<\infty inf{
f(x):x∈X,g(x)≤0,h(x)=0}<∞,并且 x ˉ \bar x xˉ和 u ˉ , v ˉ \bar u,\bar v uˉ,vˉ分别为原问题与对偶问题的最优解,则
u ˉ T g ( x ˉ ) = 0 \bar u^Tg(\bar x)=0 uˉTg(xˉ)=0
这一讲我们先完成这个定理的证明,之后再讨论强对偶的实际应用。
在正式证明这个定理之前,我们先介绍一个非常重要的Farkas定理类型的引理,这个引理将提供强对偶定理的证明框架。
引理 假设 X X X是一个非空凸集, α , g \alpha,g α,g是两个凸函数, h h h是一个仿射函数,如果System 1无解,则System 2有解。
System 1: α ( x ) < 0 , g ( x ) ≤ 0 , h ( x ) = 0 , ∃ x ∈ X \alpha(x)<0,g(x) \le 0,h(x)=0,\exists x \in X α(x)<0,g(x)≤0,h(x)=0,∃x∈X
System 2: u 0 α ( x ) + u T g ( x ) + v T h ( x ) ≥ 0 , ∀ x ∈ X , ( u 0 , u ) ≥ 0 , ( u 0 , u , v ) ≠ 0 u_0\alpha(x)+u^Tg(x)+v^Th(x) \ge 0,\forall x \in X,(u_0,u) \ge 0,(u_0,u,v) \ne 0 u0α(x)+uTg(x)+vTh(x)≥0,∀x