【运筹学】对偶理论总结 ( 对称性质 | 弱对偶定理 | 最优性定理 | 强对偶性 | 互补松弛定理 ) ★★★
文章目录
- 一、对偶问题的对称性质
- 1、对称形式
- 2、对偶问题规律 ( 目标函数求最大值 )
- 3、对偶问题实例
- 二、弱对偶定理
- 三、最优性定理
- 四、强对偶性
- 五、互补松弛定理
- 1、定理内容
- 2、示例 : 已知原问题最优解求对偶问题最优解
- 3、方法一 : 单纯形法
- 4、方法二 : 使用互补松弛定理公式一求解
- 5、互补松弛定理示例分析
- 6、互补松弛定理示例2
- 7、互补松弛定理求最优解思路
- 六、原问题与对偶问题对应关系
- 七、对偶理论的相关结论
- 1、对偶问题存在
- 2、对偶问题转化
- 3、对偶问题的解
- 4、互补松弛定理
一、对偶问题的对称性质
参考博客 :
- 【运筹学】对偶理论 : 对称形式 ( 对称形式 | 对偶模型转化实例 | 对偶问题规律分析 )
- 【运筹学】对偶理论 : 对称理论示例 ( 对称理论 | 标准的原问题对偶问题 | 原问题目标函数求最小值示例 | 求对偶技巧 ) ★
1、对称形式
1 . 对称形式特点 :
- 目标函数求最大值时 , 所有约束条件都是 小于等于 ≤\leq≤ 符号 , 决策变量大于等于 000 ;
- 目标函数求最小值时 , 所有约束条件都是 大于等于 ≥\geq≥ 符号, 决策变量大于等于 000 ;
2 . 原问题 PPP 的线性规划模型是 :
maxZ=CXs.t{AX≤bX≥0\begin{array}{lcl} maxZ = C X \\\\ s.t\begin{cases} AX \leq b \\\\ X \geq 0 \end{cases}\end{array}maxZ=CXs.t⎩⎪⎨⎪⎧AX≤bX≥0
对称形式 PPP 要求 :
- 目标函数求最大值
- 约束方程是 小于等于 不等式
相关系数 :
- 目标函数系数是 CCC
- 约束方程系数是 AAA
- 约束方程常数是 bbb
3 . 对偶问题 DDD 的线性规划模型是 :
minW=bTYs.t{ATY≥CTY≥0\begin{array}{lcl} minW = b^T Y \\\\ s.t\begin{cases} A^TY \geq C^T \\\\ Y \geq 0 \end{cases}\end{array}minW=bTYs.t⎩⎪⎨⎪⎧ATY≥CTY≥0
对偶问题 DDD 要求 :
- 求最小值
- 约束方程时 大于等于 不等式
相关系数 :
- 目标函数系数是 bTb^TbT
- 约束方程系数是 ATA^TAT
- 约束方程常数是 CTC^TCT
等价方法 ( 快速理解 ) :
- 生产 : 目标函数追求 利润最大化 , 约束方程设备的使用时长受约束 , 小于等于 某个时间值 ;
- 出租设备 : 目标函数追求 租金最小化 , 约束方程设备产生的利润要 大于等于 生产的利润 , 不能亏钱 ;
2、对偶问题规律 ( 目标函数求最大值 )
对偶有以下规律 : 假设原问题 LPLPLP 目标函数求最大值 maxZmaxZmaxZ , 对偶问题 DPDPDP 求最小值 minWminWminW ;
- 原问题 LPLPLP 有 mmm 个约束条件 , 对应对偶问题 DPDPDP 的 mmm 个 约束变量 ;
- 原问题 LPLPLP 有 nnn 个约束变量 , 对应对偶问题 DPDPDP 的 nnn 个 约束条件 ;
约束条件与约束变量的对应关系 ( 目标函数求最大值 ) : 这里特别注意 , 约束条件与约束变量 大于小于符号是相反的 ;
- 如果原问题 LPLPLP 中的约束条件是小于等于 ≤\leq≤ 不等式 , 那么对应的 对偶问题 DPDPDP 的约束变量就是大于等于 ≥0\geq 0≥0 的 ;
- 如果原问题 LPLPLP 中的约束条件是大于等于 ≥\geq≥ 不等式 , 那么对应的 对偶问题 DPDPDP 的约束变量就是小于等于 ≤0\leq 0≤0 的 ;
- 如果原问题 LPLPLP 中的约束条件是 === 等式 , 那么对应的 对偶问题 DPDPDP 的约束变量就是自由变量 , 即没有任何约束 ;
约束变量与约束条件的对应关系 ( 目标函数求最大值 ) : 这里特别注意 , 约束变量与约束条件 大于小于符号是相同的 ;
- 如果原问题 LPLPLP 中的 约束变量就是大于等于 ≥0\geq 0≥0 的 , 那么对应的 对偶问题 DPDPDP 的 约束条件是大于等于 ≥\geq≥ 不等式 ;
- 如果原问题 LPLPLP 中的 约束变量就是小于等于 ≤0\leq 0≤0 的 , 那么对应的 对偶问题 DPDPDP 的 约束条件是小于等于 ≤\leq≤ 不等式 ;
- 如果原问题 LPLPLP 中的 约束变量就是自由变量 , 即没有任何约束 , 那么对应的 对偶问题 DPDPDP 的 约束条件是 === 等式 ;
原问题 LPLPLP | 对偶问题 DPDPDP |
---|---|
– | – |
目标函数求最大值 maxZmaxZmaxZ | 目标函数求最小值 minWminWminW |
– | – |
约束条件常数项 | 目标函数系数 |
目标函数系数 | 约束条件常数项 |
– | – |
mmm 个约束条件 | nnn 个约束变量 |
nnn 个约束变量 | mmm 个约束条件 |
– | – |
约束条件是小于等于不等式 ≤\leq≤ | 约束变量是大于等于 ≥0\geq 0≥0 的 |
约束条件是大于等于不等式 ≥\geq≥ | 约束变量是小于等于 ≤0\leq 0≤0 的 |
约束条件是等式 | 约束变量是自由变量 ( 没有约束 ) |
– | – |
约束变量是大于等于 ≥0\geq 0≥0 的 | 约束条件是大于等于不等式 ≥\geq≥ |
约束变量是小于等于 ≤0\leq 0≤0 的 | 约束条件是小于等于不等式 ≤\leq≤ |
约束变量是自由变量 ( 没有约束 ) | 约束条件是等式 |
记住一条 : 目标函数求最大值 , LPLPLP 约束条件与 DPDPDP 约束变量符号相反 , LPLPLP 约束变量 与 DPDPDP 约束条件符号相同 ;
补一张图 , 方便记忆 :
3、对偶问题实例
写出如下线性规划对偶问题 :
maxZ=2x1−3x2+4x3s.t{2x1+3x2−5x3≥23x1+x2+7x3≤3−x1+4x2+6x3≥5xj≥0(j=1,2,3)\begin{array}{lcl} maxZ = 2x_1 - 3x_2 + 4x_3 \\\\ s.t\begin{cases} 2 x_1 + 3x_2 - 5x_3 \geq 2 \\\\ 3x_1 + x_2 + 7x_3 \leq 3 \\\\ -x_1 + 4x_2 + 6x_3 \geq 5 \\\\ x_j \geq 0 \quad ( j = 1, 2, 3 ) \end{cases}\end{array}maxZ=2x1−3x2+4x3s.t⎩⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎧2x1+3x2−5x3≥23x1+x2+7x3≤3−x1+4x2+6x3≥5xj≥0(j=1,2,3)
将上述线性规划转为 对称形式 :
目标函数最大值 : 对称形式目标函数求最大值 , 上述线性规划符合该条件 , 不用进行修改 ;
约束方程小于等于不等式 : 对称形式的约束方程都是小于等于不等式 , 方程 111 和方程 333 都是大于等于不等式 , 不符合要求 ; 将不等式左右两边都乘以 −1-1−1 , 可以将大于等于不等式转为小于等于不等式 ;
转换后的结果为 :
maxZ=2x1−3x2+4x3s.t{−2x1−3x2+5x3≤−23x1+x2+7x3≤3x1−4x2−6x3≤−5xj≥0(j=1,2,3)\begin{array}{lcl} maxZ = 2x_1 - 3x_2 + 4x_3 \\\\ s.t\begin{cases} -2 x_1 - 3x_2 + 5x_3 \leq -2 \\\\ 3x_1 + x_2 + 7x_3 \leq 3 \\\\ x_1 - 4x_2 - 6x_3 \leq -5 \\\\ x_j \geq 0 \quad ( j = 1, 2, 3 ) \end{cases}\end{array}maxZ=2x1−3x2+4x3s.t⎩⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎧−2x1−3x2+5x3≤−23x1+x2+7x3≤3x1−4x2−6x3≤−5xj≥0(j=1,2,3)
对称形式 的 目标函数的系数 为 C=(2−34)C = \begin{pmatrix} & 2 & -3 & 4 & \end{pmatrix}C=(2−34) , 约束方程的系数 为 A=(−2−353171−4−6)A = \begin{pmatrix} &-2 & -3 & 5 & \\ &3 & 1 & 7 & \\ &1 & -4 & -6 & \\ \end{pmatrix}A=⎝⎛−231−31−457−6⎠⎞ , 约束方程常数 b=(−23−5)b = \begin{pmatrix} &-2 &\\ &3 & \\ &-5 & \\ \end{pmatrix}b=⎝⎛−23−5⎠⎞ ;
对偶问题 的 目标函数系数 为 bT=(−23−5)b^T = \begin{pmatrix} & -2 & 3 & -5 & \end{pmatrix}bT=(−23−5) , 约束方程的系数 为 AT=(−231−31−457−6)A^T = \begin{pmatrix} &-2 & 3 & 1 & \\ &-3 & 1 & -4 & \\ &5 & 7 & -6 & \\ \end{pmatrix}AT=⎝⎛−2−353171−4−6⎠⎞ , 约束方程常数 CT=(2−34)C^T = \begin{pmatrix} & 2 &\\ &-3 & \\ &4 & \\ \end{pmatrix}CT=⎝⎛2−34⎠⎞ ;
线性规划形式 :
对称形式 : 求目标函数最大值 , 约束方程是求小于等于不等式 ;
对偶问题 : 求目标函数求最小值 , 约束方程都是大于等于不等式 ;
根据上述分析 , 写出对偶形式 :
minW=−2y1+3y2−5y3s.t{−2y1+3y2+y3≥2−3y1+y2−4y3≥−35y1+7y2−6y3≥4yj≥0(j=1,2,3)\begin{array}{lcl} minW = -2y_1 + 3y_2 - 5y_3 \\\\ s.t\begin{cases} -2y_1 + 3y_2 + y_3 \geq 2 \\\\ -3y_1 + y_2 - 4y_3 \geq -3 \\\\ 5y_1 + 7y_2 - 6y_3 \geq 4 \\\\ y_j \geq 0 \quad ( j = 1, 2, 3 ) \end{cases}\end{array}minW=−2y1+3y2−5y3s.t⎩⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎧−2y1+3y2+y3≥2−3y1+y2−4y3≥−35y1+7y2−6y3≥4yj≥0(j=1,2,3)
原问题 与 对偶问题线性规划分析 :
上述对偶问题线性规划 , 与原问题线性规划 , 明显不互为转置矩阵 ;
原问题线性规划系数为 (23−5317−146)\begin{pmatrix} &2 & 3 & -5 & \\ &3 & 1 & 7 & \\ &-1 & 4 & 6 & \\ \end{pmatrix}⎝⎛23−1314−576⎠⎞ , 对偶问题线性规划系数为 (−231−31−457−6)\begin{pmatrix} &-2 & 3 & 1 & \\ &-3 & 1 & -4 & \\ &5 & 7 & -6 & \\ \end{pmatrix}⎝⎛−2−353171−4−6⎠⎞ , 原问题的转置矩阵应该是 (23−1314−576)\begin{pmatrix} &2 & 3 & -1 & \\ &3 & 1 & 4 & \\ &-5 & 7 & 6 & \\ \end{pmatrix}⎝⎛23−5317−146⎠⎞ , y1,y3y_1 , y_3y1,y3 系数的正负号与原问题的转置矩阵值的符号相反 ;
令 y1′=−y1y_1' = -y_1y1′=−y1 , y3′=−y3y_3' = -y_3y3′=−y3 , 则得到如下线性规划 :
minW=2y1′+3y2+5y3′s.t{2y1′+3y2−y3′≥23y1′+y2+4y3′≥−3−5y1′+7y2+6y3′≥4y1′≤0,y2≥0,y3′≤0\begin{array}{lcl} minW = 2y_1' + 3y_2 + 5y_3' \\\\ s.t\begin{cases} 2y_1' + 3y_2 - y_3' \geq 2 \\\\ 3y_1' + y_2 + 4y_3' \geq -3 \\\\ -5y_1' + 7y_2 + 6y_3' \geq 4 \\\\ y_1' \leq 0 , y_2 \geq 0 , y_3' \leq 0 \end{cases}\end{array}minW=2y1′+3y2+5y3′s.t⎩⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎧2y1′+3y2−y3′≥23y1′+y2+4y3′≥−3−5y1′+7y2+6y3′≥4y1′≤0,y2≥0,y3′≤0
上图中的对偶问题线性规划 ( DP\rm DPDP ) 中的目标函数 y3′y_3'y3′ 的系数应该是 +5+5+5 , 这里在符号转换 y′=−yy' = -yy′=−y 时 , 将符合写错了 ;
二、弱对偶定理
参考博客 : 【运筹学】对偶理论 : 弱对偶性质 ( 弱对偶原理 | 弱对偶性 | 推论 1 | 推论 2 对偶问题的无界性 | 推论 3 )
弱对偶定理 :
假设 X0\rm X^0X0 和 Y0\rm Y^0Y0 分别是 问题 (P)\rm (P)(P) ( 目标函数求最大值 ) 和 问题 (D)\rm (D)(D) ( 目标函数求最小值 ) 的 可行解 , 则必有 CX0≤Y0b\rm CX^0 \leq Y^0 bCX0≤Y0b ,
展开后为 ∑j=1ncjxj≤∑i=1myibi\rm \sum_{j = 1}^n c_j x_j \leq \sum_{i = 1}^{m} y_i b_i∑j=1ncjxj≤∑i=1myibi
弱对偶定理推论 1 :
原问题 任何一个 可行解 的目标函数值 , 都是其对偶问题 目标函数值的下界 ;
反之 ,
对偶问题 任何一个 可行解 的目标函数值 , 都是其原问题 目标函数的上界 ;
弱对偶定理推论 2 : ( 对偶问题的无界性 )
在一对 对偶问题 (P)\rm (P)(P) 和 (D)\rm (D)(D) 中 ,
如果其中 一个线性规划问题可行 , 但是 目标函数无界 , 则 另外一个问题没有可行解 ;
如果其中 一个线性规划问题不可行 , 其 对偶问题不一定不可行 ;
弱对偶定理推论 3 :
在一对 对偶问题 (P)\rm (P)(P) 和 (D)\rm (D)(D) 中 ,
如果其中 一个线性规划问题可行 , 而 另一个线性规划问题不可行 , 则 该可行问题的目标函数是无界的;
三、最优性定理
最优性定理 :
如果 X0\rm X^0X0 是 原问题的可行解 , Y0\rm Y^0Y0 是 对偶问题的可行解 ,
并且 两个可行解对应的目标函数值相等 , 即 CX0=BY0\rm CX^0 = BY^0CX0=BY0 , 即 z=w\rm z = wz=w ,
则 X0\rm X^0X0 是原问题的最优解 , Y0\rm Y^0Y0 是对偶问题的最优解 ;
两个互为对偶的线性规划问题 , 只要有一个有最优解 , 另一个也有最优解 ;
最优解 首先是可行解 , 其次该可行解使目标函数达到最优 ( 最小值 / 最大值 ) ;
互为对偶的两个问题 :
原问题的目标函数求最大值 , 该值不断增大 , 处于一个界限值下方 ; 其最大值就是界限值 ;
对偶问题的目标函数求最小值 , 该值不断减小 , 处于一个界限值上方 ; 其最小值就是界限值 ;
当上述 X0\rm X^0X0 是 原问题的可行解 , Y0\rm Y^0Y0 是 对偶问题的可行解 ,
如果 CX0=BY0\rm CX^0 = BY^0CX0=BY0 , 则说明 CX0=BY0=界限值\rm CX^0 = BY^0 = 界限值CX0=BY0=界限值 , 当前的目标函数值就是界限值 ;
该界限值就是 原问题 目标函数的最大值 , 同时也是 对偶问题目标函数的最小值 ;
四、强对偶性
强对偶性 : 如果 原问题 与 对偶问题 都有可行解 , 只要有一个问题有最优解 , 则 两个问题都有最优解 , 二者的最优解的目标函数值相等 ;
五、互补松弛定理
1、定理内容
X0\rm X^0X0 和 Y0\rm Y^0Y0 分别是 原问题 P\rm PP 问题 和 对偶问题 D\rm DD 的 可行解 ,
这两个解各自都是对应 线性规划问题 的 最优解
的 充要条件是 : {Y0Xs=0YsX0=0\begin{cases} \rm Y^0 X_s = 0 \\\\ \rm Y_sX^0 = 0 \end{cases}⎩⎪⎨⎪⎧Y0Xs=0YsX0=0
其中 Xs,Ys\rm X_s , Y_sXs,Ys 是 松弛变量 或 剩余变量 ;
2、示例 : 已知原问题最优解求对偶问题最优解
已知线性规划 :
maxZ=3x1+4x2+x3{x1+2x2+x3≤102x1+2x2+x3≤16x1,x2,x3≥0\begin{array}{lcl} \rm maxZ = 3x_1 + 4x_2 + x_3 \\\\ \rm \begin{cases} \rm x_1 + 2x_2 + x_3 \leq 10 \\\\ \rm 2x_1 + 2x_2 + x_3 \leq 16 \\\\ \rm x_1,x_2, x_3 \geq 0 \end{cases}\end{array}maxZ=3x1+4x2+x3⎩⎪⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎪⎧x1+2x2+x3≤102x1+2x2+x3≤16x1,x2,x3≥0
上述线性规划的最优解是 X0=(620)\rm X^0 = \begin{pmatrix} \quad \rm 6 \quad \rm 2 \quad 0 \quad \end{pmatrix}X0=(620) , 求其对偶问题最优解 ;
3、方法一 : 单纯形法
方法一 : 写出上述线性规划的对偶问题 , 然后使用单纯形法求最优解 ,
首先写出 对偶问题 , 然后转为 标准形式 , 找 单位阵 作为基矩阵 , 然后得到基变量 , 假设非基变量为 000 求出 基解 ,
在单纯形表中计算 检验数 , 如果 检验数都小于 000 就是最优解 , 如果检验数都大于 000 , 则不是最优解 ;
根据检验数确定 出基变量 , 然后计算出 入基变量 , 进行下一次迭代 ;
方程组 同解变换, 构造单位阵 , 然后计算检验数 , 继续按照上述方法进行迭代 ;
该方法比较麻烦 ;
4、方法二 : 使用互补松弛定理公式一求解
方法二 : 利用 互补松弛定理 计算 ;
写出原问题的对偶问题 :
minW=10y1+16y2{y1+2y2≥32y1+2y2≥4y1+y2≥1y1,y2≥0\begin{array}{lcl} \rm minW = 10y_1 + 16y_2 \\\\ \rm \begin{cases} \rm y_1 + 2y_2 \geq 3 \\\\ \rm 2y_1 + 2y_2 \geq 4 \\\\ \rm y_1 + y_2 \geq 1 \\\\ \rm y_1,y_2 \geq 0 \end{cases}\end{array}minW=10y1+16y2⎩⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎧y1+2y2≥32y1+2y2≥4y1+y2≥1y1,y2≥0
给对偶问题的约束方程添加剩余变量 :
{y1+2y2−y3=32y1+2y2−y4=4y1+y2−y5=1y1,y2,y3,y4,y5≥0\begin{cases} \rm y_1 + 2y_2 - y_3 = 3 \\\\ \rm 2y_1 + 2y_2 - y_4 = 4 \\\\ \rm y_1 + y_2 - y_5 = 1 \\\\ \rm y_1,y_2, y_3 , y _4, y_5 \geq 0 \end{cases}⎩⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎧y1+2y2−y3=32y1+2y2−y4=4y1+y2−y5=1y1,y2,y3,y4,y5≥0
互补松弛定理 :
" X0\rm X^0X0 和 Y0\rm Y^0Y0 分别是 原问题 P\rm PP 问题 和 对偶问题 D\rm DD 的 最优解 " ⇔\Leftrightarrow⇔ {Y0Xs=0YsX0=0\begin{cases} \rm Y^0 X_s = 0 \\\\ \rm Y_sX^0 = 0 \end{cases}⎩⎪⎨⎪⎧Y0Xs=0YsX0=0
其中 Xs,Ys\rm X_s , Y_sXs,Ys 是 松弛变量 或 剩余变量 ;
原问题 P\rm PP 线性规划最优解是 X0=(620)\rm X^0 = \begin{pmatrix} \quad \rm 6 \quad \rm 2 \quad 0 \quad \end{pmatrix}X0=(620) ,
对偶问题的剩余变量是 Ys=(y3y4y5)\rm Y_s= \begin{pmatrix} \quad \rm y_3 \quad \\\\ \quad \rm y_4 \quad \\\\ \quad \rm y_5 \quad \\ \end{pmatrix}Ys=⎝⎜⎜⎜⎜⎛y3y4y5⎠⎟⎟⎟⎟⎞
互补松弛定理中 YsX0=0\rm Y_sX^0 = 0YsX0=0 , 将上述 X0\rm X^0X0 和 Ys\rm Y_sYs 代入上述式子得到 :
YsX0=(620)×(y3y4y5)=6y3+2y4+0y5=6y3+2y4=0\rm Y_sX^0 = \begin{pmatrix} \quad \rm 6 \quad \rm 2 \quad 0 \quad \end{pmatrix} \times \begin{pmatrix} \quad \rm y_3 \quad \\\\ \quad \rm y_4 \quad \\\\ \quad \rm y_5 \quad \\ \end{pmatrix} = 6y_3 + 2y_4 + 0y_5 = 6y_3 + 2y_4 =0YsX0=(620)×⎝⎜⎜⎜⎜⎛y3y4y5⎠⎟⎟⎟⎟⎞=6y3+2y4+0y5=6y3+2y4=0
已知 y3,y4≥0\rm y_3, y_4 \geq 0y3,y4≥0 , 上述 6y3+2y4=0\rm 6y_3 + 2y_4 = 06y3+2y4=0 , 因此 y3=0,y4=0\rm y_3 = 0 , y_4 = 0y3=0,y4=0 ;
将 y3=0,y4=0\rm y_3 = 0 , y_4 = 0y3=0,y4=0 代入到约束方程 {y1+2y2−y3=32y1+2y2−y4=4y1+y2−y5=1y1,y2,y3,y4,y5≥0\begin{cases} \rm y_1 + 2y_2 - y_3 = 3 \\\\ \rm 2y_1 + 2y_2 - y_4 = 4 \\\\ \rm y_1 + y_2 - y_5 = 1 \\\\ \rm y_1,y_2, y_3 , y _4, y_5 \geq 0 \end{cases}⎩⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎪⎪⎪⎪⎪⎧y1+2y2−y3=32y1+2y2−y4=4y1+y2−y5=1y1,y2,y3,y4,y5≥0 中 ;
得到 {y1+2y2=32y1+2y2=4\begin{cases} \rm y_1 + 2y_2 = 3 \\\\ \rm 2y_1 + 2y_2 = 4 \end{cases}⎩⎪⎨⎪⎧y1+2y2=32y1+2y2=4 , 解上述方程 ,
① 变换 : {2y1+4y2=62y1+2y2=4\begin{cases} \rm 2y_1 + 4y_2 = 6 \\\\ \rm 2y_1 + 2y_2 = 4 \end{cases}⎩⎪⎨⎪⎧2y1+4y2=62y1+2y2=4
② 求解 : {y1=1y2=1\begin{cases} \rm y_1 = 1 \\\\ \rm y_2 = 1 \end{cases}⎩⎪⎨⎪⎧y1=1y2=1
上述求出的值就是最优解 , 即 Y0=(11)\rm Y^0 = \begin{pmatrix} \quad \rm 1 \quad 1 \quad \end{pmatrix}Y0=(11) ;
5、互补松弛定理示例分析
互补松弛定理 :
" X0\rm X^0X0 和 Y0\rm Y^0Y0 分别是 原问题 P\rm PP 问题 和 对偶问题 D\rm DD 的 最优解 " ⇔\Leftrightarrow⇔ {Y0Xs=0YsX0=0\begin{cases} \rm Y^0 X_s = 0 \\\\ \rm Y_sX^0 = 0 \end{cases}⎩⎪⎨⎪⎧Y0Xs=0YsX0=0
其中 Xs,Ys\rm X_s , Y_sXs,Ys 是 松弛变量 或 剩余变量 ;
原问题 P\rm PP 线性规划最优解是 X0=(620)\rm X^0 = \begin{pmatrix} \quad \rm 6 \quad \rm 2 \quad 0 \quad \end{pmatrix}X0=(620) ,
对偶问题的剩余变量是 Ys=(y3y4y5)\rm Y_s= \begin{pmatrix} \quad \rm y_3 \quad \\\\ \quad \rm y_4 \quad \\\\ \quad \rm y_5 \quad \\ \end{pmatrix}Ys=⎝⎜⎜⎜⎜⎛y3y4y5⎠⎟⎟⎟⎟⎞
最优解中不等于 000 的 , 对应的剩余变量中对应的一定为 000 ,
如果最优解中等于 000 , 那么剩余变量中的对应的值就不确定了 ;
6、互补松弛定理示例2
已知原问题最优解求对偶问题最优解 , 已知线性规划 :
minW=2x1−x2+2x3{−x1+x2+x3=4−x1+x2−x3≤6x1≤0,x2≥0,x3无约束\begin{array}{lcl} \rm minW= 2x_1 - x_2 + 2x_3 \\\\ \rm \begin{cases} \rm -x_1 + x_2 + x_3 = 4 \\\\ \rm -x_1 + x_2 - x_3 \leq 6 \\\\ \rm x_1 \leq 0 ,x_2 \geq 0 , x_3 无约束 \end{cases}\end{array}minW=2x1−x2+2x3⎩⎪⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎪⎧−x1+x2+x3=4−x1+x2−x3≤6x1≤0,x2≥0,x3无约束
上述线性规划的对偶问题的最优解是 Y0=(0−2)\rm Y^0 = \begin{pmatrix} \quad \rm 0 \quad \rm -2 \quad \end{pmatrix}Y0=(0−2) , 求其原问题最优解 ;
互补松弛定理 :
" X0\rm X^0X0 和 Y0\rm Y^0Y0 分别是 原问题 P\rm PP 问题 和 对偶问题 D\rm DD 的 最优解 " ⇔\Leftrightarrow⇔ {Y0Xs=0YsX0=0\begin{cases} \rm Y^0 X_s = 0 \\\\ \rm Y_sX^0 = 0 \end{cases}⎩⎪⎨⎪⎧Y0Xs=0YsX0=0
其中 Xs,Ys\rm X_s , Y_sXs,Ys 是 松弛变量 或 剩余变量 ;
分析 :
给出了对偶问题最优解 Y0=(0−2)\rm Y^0 = \begin{pmatrix} \quad \rm 0 \quad \rm -2 \quad \end{pmatrix}Y0=(0−2) , 其互补松弛定理中对应原问题的松弛变量 Xs=(x4x5)\rm X_s =\begin{pmatrix} \quad \rm x_4 \quad \\\\ \quad \rm x_5 \quad \end{pmatrix}Xs=⎝⎛x4x5⎠⎞ ;
根据公式有 (0−2)×(x4x5)=0\rm \begin{pmatrix} \quad \rm 0 \quad \rm -2 \quad \end{pmatrix} \times \begin{pmatrix} \quad \rm x_4 \quad \\\\ \quad \rm x_5 \quad \end{pmatrix} = 0(0−2)×⎝⎛x4x5⎠⎞=0
0x4−2x5=0\rm 0 x_4 - 2x_5= 00x4−2x5=0
−2x5=0\rm - 2x_5= 0−2x5=0
原问题添加松弛变量 ,
−x1+x2+x3=4\rm -x_1 + x_2 + x_3 = 4−x1+x2+x3=4 已经是等式了 , 添加一个 x4\rm x_4x4 松弛变量 , x4=0\rm x_4 = 0x4=0 ,
−x1+x2−x3≤6\rm -x_1 + x_2 - x_3 \leq 6−x1+x2−x3≤6 添加松弛变量 x5\rm x_5x5 , 由于对应的最优解不为 000 , 是 −2-2−2 , 其对应的松弛变量还是 000 , 即 x5=0x_5 = 0x5=0 ;
原问题的最优解满足 {−x1+x2+x3=4−x1+x2−x3=6\begin{cases} \rm -x_1 + x_2 + x_3 = 4 \\\\ \rm -x_1 + x_2 - x_3 = 6 \end{cases}⎩⎪⎨⎪⎧−x1+x2+x3=4−x1+x2−x3=6 方程 , 该方程组 222 个等式 , 333 个变量 , 如果再得到一个方程 , 就可以得到三个方程 ;
根据 对偶理论中的 强对偶性 , 如果 原问题 与 对偶问题 都有可行解 , 只要有一个问题有最优解 , 则 两个问题都有最优解 , 二者的最优解的目标函数值相等 ;
这里求一下对偶问题的目标函数值 , 对偶问题的目标函数与原问题的目标函数值相等 ;
对偶问题的目标函数是 maxZ=4y1+6y2=4×0−2×6=−12\rm max Z = 4y_1 + 6y_2 = 4 \times 0 - 2 \times 6 = -12maxZ=4y1+6y2=4×0−2×6=−12 ;
因此原问题的目标函数值也是 121212 , 得到式子 minW=2x1−x2+2x3=−12\rm minW= 2x_1 - x_2 + 2x_3 = -12minW=2x1−x2+2x3=−12 ;
这里就得到了 333 个方程组 , 333 个变量 , 求解下面的方程组 , 最终结果就是最优解 ;
{−x1+x2+x3=4①−x1+x2−x3=6②2x1−x2+2x3=−12③\begin{cases} \rm -x_1 + x_2 + x_3 = 4 \ \ ① \\\\ \rm -x_1 + x_2 - x_3 = 6 \ \ ② \\\\ 2x_1 - x_2 + 2x_3 = -12 \ \ ③ \end{cases}⎩⎪⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎪⎧−x1+x2+x3=4 ①−x1+x2−x3=6 ②2x1−x2+2x3=−12 ③
最终方程组的解是 :
{x1=−5x2=0x3=−1\begin{cases} \rm x_1 = -5 \\\\ \rm x_2 = 0 \\\\ x_3 = -1 \end{cases}⎩⎪⎪⎪⎪⎪⎪⎨⎪⎪⎪⎪⎪⎪⎧x1=−5x2=0x3=−1
最终的原方程的最优解是 (−50−1)\begin{pmatrix} \quad \rm -5 \quad 0 \quad \rm -1 \quad \end{pmatrix}(−50−1)
目标函数值是 −12-12−12
7、互补松弛定理求最优解思路
给定线性规划 , 给定一个问题的最优解 , 求另一个问题的最优解 ;
互补松弛定理 :
" X0\rm X^0X0 和 Y0\rm Y^0Y0 分别是 原问题 P\rm PP 问题 和 对偶问题 D\rm DD 的 最优解 " ⇔\Leftrightarrow⇔ {Y0Xs=0YsX0=0\begin{cases} \rm Y^0 X_s = 0 \\\\ \rm Y_sX^0 = 0 \end{cases}⎩⎪⎨⎪⎧Y0Xs=0YsX0=0
其中 Xs,Ys\rm X_s , Y_sXs,Ys 是 松弛变量 或 剩余变量 ;
使用上述互补松弛定理 , 求出 给定的最优解 对应的对偶问题线性规划 松弛变量的值 ;
将 松弛变量 代入到 约束方程等式 中 , 求解出的值就是线性规划问题的最优解 ;
还有一种方式 , 就是根据给定的最优解 , 求出 本问题线性规划的 松弛变量值 ,
根据 本问题的松弛变量值 求对应 对偶问题的 最优解 ;
六、原问题与对偶问题对应关系
原问题与对偶问题对应关系 :
如果 原问题 有最优解 , 对偶问题也 有最优解 ;
如果 原问题 有 无界解 , 对偶问题 无可行解 ;
如果 原问题 无可行解 , 对偶问题 无法判断 ;
上述是根据弱对偶定理总结的 ;
七、对偶理论的相关结论
1、对偶问题存在
任何 线性规划问题 , 都有一个对应的 对偶线性规划问题 ;
2、对偶问题转化
原问题 P\rm PP : maxZ=CXs.t{AX≤bX≥0\begin{array}{lcl} \rm maxZ = C X \\\\ \rm s.t\begin{cases} \rm AX \leq b \\\\ \rm X \geq 0 \end{cases}\end{array}maxZ=CXs.t⎩⎪⎨⎪⎧AX≤bX≥0 ; \ \ \ \ \ \ \ \ \ \ \, 对偶问题 D\rm DD : minW=bTYs.t{ATY≥CTY≥0\begin{array}{lcl} \rm minW = b^T Y \\\\ \rm s.t\begin{cases} \rm A^TY \geq C^T \\\\ \rm Y \geq 0 \end{cases}\end{array}minW=bTYs.t⎩⎪⎨⎪⎧ATY≥CTY≥0
原问题与对偶问题对应关系 :
原问题第 iii 个约束条件是 ≤\leq≤ 约束 , 其对偶问题的第 iii 个变量的符号不确定 , 可能大于等于 000 , 也可能小于等于 000 ;
查看 约束变量的符号 与 其另外一个对偶问题的 约束方程的符号 一致性 , 来确定对偶问题的约束方程符号 ;
约束方程符号 :
如果当前线性规划问题 目标函数是求最大值 , 原问题就是上面的问题 , 其对偶问题 ( 下面的 ) 的约束方程符号是 ≥\geq≥ , 因此 对偶问题的约束方程符号 与 原问题变量 符号一致 ;
如果当前线性规划问题 目标函数是求最小值 , 原问题就是下面的问题 , 其对偶问题 ( 上面的 ) 的约束方程符号是 ≤\leq≤ , 因此 对偶问题的约束方程符号 与 原问题变量 符号相反 ;
变量符号 :
如果当前线性规划问题 目标函数是求最大值 , 原问题就是上面的问题 , 其对偶问题 ( 下面的 ) 的约束方程符号是 ≥\geq≥ , 因此 对偶问题的变量符号 与 原问题约束方程符号 符号相反 ;
如果当前线性规划问题 目标函数是求最大值 , 原问题就是上面的问题 , 其对偶问题 ( 下面的 ) 的约束方程符号是 ≥\geq≥ , 因此 对偶问题的变量符号 与 原问题约束方程符号 符号一致 ;
3、对偶问题的解
① 互为对偶的两个问题 , 或者同时都有最优解 , 或者同时都没有最优解 ;
② 对偶问题 有可行解 , 原问题 不一定有可行解 , 因为对偶问题的可行解可能是 无界解 , 原问题可能 无可行解 ;
③ 原问题有 多重解 , 对偶问题 可能有多重解 , 也 可能有唯一解 ; 多重解是 有无穷多最优解 ;
④ 对偶问题 有可行解 , 原问题 无可行解 , 则对偶问题 有无界解 ; 一对问题中 , 一个有可行解 , 一个无可行解 , 则有可行解的是无界解 ;
⑤ 原问题 没有最优解 , 对偶问题无法判断 ; 没有最优解有两种情况 , 一种是 无界解 , 一种是 无可行解 ; 如果原问题有无界解 , 则对偶问题无可行解 ; 如果原问题无可行解 , 则对偶问题无可行解 ;
⑥ 如果对偶问题没有可行解 , 对偶问题无法判断 , 无界解 或 无可行解 两种情况都有可能 ;
⑦ 如果原问题与对偶问题 都有可行解 , 则 都有最优解 ;
如果 原问题 有最优解 , 对偶问题也 有最优解 ;
如果 原问题 有 无界解 , 对偶问题 无可行解 ;
如果 原问题 无可行解 , 对偶问题 无法判断 ;
4、互补松弛定理
如果 X0\rm X^0X0 和 Y0\rm Y^0Y0 分别是原问题与对偶问题的最优解 , 则 Y0Xs=YsX0=0\rm Y^0 X_s = Y_sX^0 = 0Y0Xs=YsX0=0 ;
" X0\rm X^0X0 和 Y0\rm Y^0Y0 分别是 原问题 P\rm PP 问题 和 对偶问题 D\rm DD 的 最优解 " ⇔\Leftrightarrow⇔ {Y0Xs=0YsX0=0\begin{cases} \rm Y^0 X_s = 0 \\\\ \rm Y_sX^0 = 0 \end{cases}⎩⎪⎨⎪⎧Y0Xs=0YsX0=0
其中 Xs,Ys\rm X_s , Y_sXs,Ys 是 松弛变量 或 剩余变量 ;
【运筹学】对偶理论总结 ( 对称性质 | 弱对偶定理 | 最优性定理 | 强对偶性 | 互补松弛定理 ) ★★★相关推荐
- 【运筹学】对偶理论 : 对偶性质 ( 对称性质 | 对称性质推导 )
文章目录 一.对称性质 二.对称性质推导 一.对称性质 对称性定理 : 原问题 ( LPLPLP ) 的 对偶 是 对偶问题 ( DPDPDP ) 对偶问题 ( DPDPDP ) 的 对偶 是 原问题 ...
- 【运筹学】对偶理论 : 最优性定理、强对偶性
文章目录 一.最优性定理 二.强对偶性 一.最优性定理 最优性定理 : 如果 X0\rm X^0X0 是 原问题的可行解 , Y0\rm Y^0Y0 是 对偶问题的可行解 , 并且 两个可行解对应的目 ...
- 【运筹学】对偶理论 : 弱对偶性质 ( 弱对偶原理 | 弱对偶性 | 推论 1 | 推论 2 对偶问题的无界性 | 推论 3 )
文章目录 一.弱对偶性质 二.弱对偶定理分析 三.弱对偶定理推论 1 四.弱对偶定理推论 2 对偶问题的无界性 五.弱对偶定理推论 3 一.弱对偶性质 弱对偶定理 : 假设 X0\rm X^0X0 和 ...
- 【数字信号处理】傅里叶变换性质 ( 序列傅里叶变换共轭对称性质示例 )
文章目录 一.序列傅里叶变换共轭对称性质示例 1.序列傅里叶变换共轭对称性质 1.序列实部傅里叶变换 2.序列虚部傅里叶变换 3.共轭对称序列傅里叶变换 4.共轭反对称序列傅里叶变换 2.求 a^n ...
- 【数字信号处理】傅里叶变换性质 ( 序列傅里叶变换共轭对称性质 | 实序列的幅频特性偶对称 | 实序列相频特性奇对称 | 示例说明 )
文章目录 一.实序列的 幅频特性 和 相频特性 对称性质 二.性质由来 三.示例说明 一.实序列的 幅频特性 和 相频特性 对称性质 如果 x(n)x(n)x(n) 序列是 " 实序列 &q ...
- 【数字信号处理】傅里叶变换性质 ( 序列傅里叶变换共轭对称性质 | 推论 )
文章目录 一.序列傅里叶变换共轭对称性质 推论 二.证明推论一 一.序列傅里叶变换共轭对称性质 推论 推论一 : 序列 x(n)x(n)x(n) 的 共轭序列 x∗(n)x^*(n)x∗(n) 的 傅 ...
- 【数字信号处理】傅里叶变换性质 ( 序列傅里叶变换共轭对称性质 | x(n) 分解为实部序列与虚部序列 | 实部傅里叶变换 | 虚部傅里叶变换 | 共轭对称傅里叶变换 | 共轭反对称傅里叶变换 )
文章目录 一.前置概念 1.序列对称分解定理 2.傅里叶变换 3.傅里叶变换的共轭对称分解 二.序列傅里叶变换共轭对称性质 0.序列傅里叶变换共轭对称性质 x(n) 分解为实部序列与虚部序列 x(n) ...
- 【数字信号处理】相关函数 ( 相关函数性质 | 相关函数共轭对称性质 | 实信号自相关函数偶对称 | 复信号自相关函数共轭对称 | 复信号互相关函数共轭对称 )
文章目录 一.相关函数共轭对称性质 1.实信号自相关函数偶对称 2.复信号自相关函数共轭对称 3.复信号互相关函数共轭对称 一.相关函数共轭对称性质 1.实信号自相关函数偶对称 实信号 自相关函数 偶 ...
- 【运筹学】对偶理论 : 互补松弛定理应用 2 ( 互补松弛定理求最优解思路 ) ★★
文章目录 一.原问题与对偶问题标准形式 二.互补松弛定理 三.已知原问题最优解求对偶问题最优解 四.互补松弛定理求最优解思路 一.原问题与对偶问题标准形式 原问题 P\rm PP : maxZ=CXs ...
最新文章
- [zz]正则表达式使用详解
- mybatisplus 结果_springboot整合mybatisPlus 乐观锁的实现
- amd一点也不yes_[电脑]AMD:环顾四周,我只能超越自己了?5900Xamp;5600X VS 3900X开箱体验...
- mysql 8添加账号赋予权限
- __eq___C ++'and_eq'关键字和示例
- 关于angularjs指令
- Java中String连接性能的分析
- IPerf——网络测试工具介绍与源码解析(3)
- Python抓取2500份招聘需求,数据显示未来最吃香的岗位是这个
- 具体数学-第13课(组合数各种性质)
- 马云说的新零售是错的【完善版】
- geotoolkit 测井曲线显示时间、深度双刻度
- Windows XP将显示桌面图标放到任务栏
- UIkit框架之轮播特效
- 数据库查询语句优化,mysql优化,join语句优化附带YYC松鼠短视频系统详细demo效果
- CCF试题 201903-2 二十四点
- git pull --rebase的作用是什么,它与git pull有什么区别?
- 2022-2028全球及中国双输入RTD温度计行业研究及十四五规划分析报告
- 【vue大师晋级之路第一集:Vue基础】第8章——事件处理
- 诺基亚e65 ucweb 6.7正式免签名下载
热门文章
- 2018新版个税计算器---Python实现
- 防火墙一个系统加固的例子
- fiddler抓包 - Android 虚拟机
- 富豪版末日避难所曝光:导弹发射井改装,内部极奢华
- java数据算法,验证身份证号码的合法性
- 数据结构—串的详细解释(含KMP算法)
- [OHIF-Viewers]医疗数字阅片-医学影像-querySelector() 选择器语法-将画布(canvas)图像保存成本地图片的方法...
- jaccard相似度算法
- 驱动工程师面试题汇编
- 【Silvaco example】Temperature Ramping - Effect on Leakage