基于多核学习的多视图学习——半无穷线性规划（Semi-Infinite Linear Programming, SILP）

半无穷线性规划（Semi-Infinite Linear Programming, SILP）是一种特殊的线性规划问题，它区别于标准的有限维线性规划问题，因为在约束条件中可能包含无限多个不等式约束。

具体来说，SILP 可以被描述为具有有限个变量但无限多个约束的问题。

这类问题在工程设计、经济模型以及某些物理问题中经常出现。

标准形式

SILP 的标准形式通常写作：

$$\begin{gathered} \text{minimize }{c}^{T}x \\ \text{subject to }{a}_i^{T}x\le b_i,i\in I, \end{gathered}$$
其中 $I$ 可以是无限集。

但在更常见的表示中，SILP 被写作：

$$\begin{gathered} \text{minimize }{c}^{T}x \\ \text{subject to }g(x,t)\le 0,\forall t\in T, \end{gathered}$$
其中 $g(x,t)$ 是关于决策变量 $x$ 和参数 $t$ 的函数，而 $T$ 是参数 $t$ 的无限集合。

解释

• $c$ : 目标函数的系数向量，决定了目标函数的方向和权重。
• $x$ : 决策变量向量，我们试图找到最优解的未知向量。
• $T$ : 参数集合，通常是无限的，用于描述无限数量的约束。
• $g(x,t)$ : 关于决策变量 $x$ 和参数 $t$ 的函数，它指定了每个约束的条件，对于 $T$ 中的所有 $t$ ， $g(x,t)$ 必须小于等于零。

举例说明

假设我们有一个简单的 SILP 问题：

$$\begin{gathered} \text{minimize }{x}_1+2x_2 \\ \text{subject to }{x}_1+t{x}_2\le 1,\forall t\in [0,\infty ), \end{gathered}$$
在这个例子中，

• $c=\left[\begin{array}{c}1\\ 2\end{array}\right]$ 是目标函数的系数向量。
• $x=\left[\begin{array}{c}{x}_1\\ x_2\end{array}\right]$ 是决策变量向量。
• $T=[0,\infty )$ 是参数 $t$ 的无限集合。
• $g(x,t)=x_1+t{x}_2-1$ 是约束函数，它必须小于等于零对于所有 $t\in T$ 。

求解方法

由于 SILP 包含无限个约束，传统的线性规划方法无法直接适用。

解决 SILP 问题的方法通常涉及使用特殊的算法，如外逼近法（Outer Approximation）、列生成法（Column Generation）和切割平面法（Cutting Plane Method）。这些方法通过逐步逼近问题的可行域来寻找最优解。

请注意，虽然 SILP 在数学上可以非常复杂，但许多实际问题可以通过适当的建模技巧转换为可处理的形式，使得可以使用现有的优化软件包来解决它们。例如，lp_solve 和其他线性规划求解器可能提供特定功能来处理 SILP 类型的问题。