一、对偶问题的对称形式

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 0 0 0 ;
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 0 0 0 ;

2 . 原问题 P P P 的线性规划模型是 :

m a x Z = C X s . t { A X ≤ b X ≥ 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 P P P 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 C C C
约束方程系数是 A A A
约束方程常数是 b b b

3 . 对偶问题 D D D 的线性规划模型是 :

m i n W = b T Y s . t { A T Y ≥ C T Y ≥ 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 D D D 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 b T b^T bT
约束方程系数是 A T A^T AT
约束方程常数是 C T C^T CT

二、对偶问题实例

写出如下线性规划对偶问题 :

m a x Z = 2 x 1 − 3 x 2 + 4 x 3 s . t { 2 x 1 + 3 x 2 − 5 x 3 ≥ 2 3 x 1 + x 2 + 7 x 3 ≤ 3 − x 1 + 4 x 2 + 6 x 3 ≥ 5 x j ≥ 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 1 1 1 和方程 3 3 3 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 :

m a x Z = 2 x 1 − 3 x 2 + 4 x 3 s . t { − 2 x 1 − 3 x 2 + 5 x 3 ≤ − 2 3 x 1 + x 2 + 7 x 3 ≤ 3 x 1 − 4 x 2 − 6 x 3 ≤ − 5 x j ≥ 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 − 3 4 ) C = \begin{pmatrix} & 2 & -3 & 4 & \end{pmatrix} C=(2−34) , 约束方程的系数 为 A = ( − 2 − 3 5 3 1 7 1 − 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 = ( − 2 3 − 5 ) b = \begin{pmatrix} &-2 &\\ &3 & \\ &-5 & \\ \end{pmatrix} b=⎝⎛−23−5⎠⎞ ;

对偶问题 的 目标函数系数 为 b T = ( − 2 3 − 5 ) b^T = \begin{pmatrix} & -2 & 3 & -5 & \end{pmatrix} bT=(−23−5) , 约束方程的系数 为 A T = ( − 2 3 1 − 3 1 − 4 5 7 − 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 C T = ( 2 − 3 4 ) 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 :

m i n W = − 2 y 1 + 3 y 2 − 5 y 3 s . t { − 2 y 1 + 3 y 2 + y 3 ≥ 2 − 3 y 1 + y 2 − 4 y 3 ≥ − 3 5 y 1 + 7 y 2 − 6 y 3 ≥ 4 y j ≥ 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 ( 2 3 − 5 3 1 7 − 1 4 6 ) \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 ( − 2 3 1 − 3 1 − 4 5 7 − 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 ( 2 3 − 1 3 1 4 − 5 7 6 ) \begin{pmatrix} &2 & 3 & -1 & \\ &3 & 1 & 4 & \\ &-5 & 7 & 6 & \\ \end{pmatrix} ⎝⎛23−5317−146⎠⎞ , y 1 , y 3 y_1 , y_3 y1,y3 系数的正负号与原问题的转置矩阵值的符号相反 ;

令 y 1 ′ = − y 1 y_1' = -y_1 y1′=−y1 , y 3 ′ = − y 3 y_3' = -y_3 y3′=−y3 , 则得到如下线性规划 :

m i n W = 2 y 1 ′ + 3 y 2 − 5 y 3 ′ s . t { 2 y 1 ′ + 3 y 2 − y 3 ′ ≥ 2 3 y 1 ′ + y 2 + 4 y 3 ′ ≥ − 3 − 5 y 1 ′ + 7 y 2 + 6 y 3 ′ ≥ 4 y 1 ′ ≤ 0 , y 2 ≥ 0 , y 3 ′ ≤ 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

三、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 L P LP LP 目标函数求最大值 m a x Z maxZ maxZ , 对偶问题 D P DP DP 求最小值 m i n W minW minW ;

原问题 L P LP LP 有 m m m 个约束条件 , 对应对偶问题 D P DP DP 的 m m m 个约束变量 ;
原问题 L P LP LP 有 n n n 个约束变量 , 对应对偶问题 D P DP DP 的 n n n 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 L P LP LP 中的约束条件是小于等于 ≤ \leq ≤ 不等式 , 那么对应的对偶问题 D P DP DP 的约束变量就是大于等于 ≥ 0 \geq 0 ≥0 的 ;
如果原问题 L P LP LP 中的约束条件是大于等于 ≥ \geq ≥ 不等式 , 那么对应的对偶问题 D P DP DP 的约束变量就是小于等于 ≤ 0 \leq 0 ≤0 的 ;
如果原问题 L P LP LP 中的约束条件是 = = = 等式 , 那么对应的对偶问题 D P DP DP 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 L P LP LP 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 D P DP DP 的约束条件是大于等于 ≥ \geq ≥ 不等式 ;
如果原问题 L P LP LP 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 D P DP DP 的约束条件是小于等于 ≤ \leq ≤ 不等式 ;
如果原问题 L P LP LP 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 D P DP DP 的约束条件是 = = = 等式 ;

原问题 L P LP LP	对偶问题 D P DP DP
–	–
目标函数求最大值 m a x Z maxZ maxZ	目标函数求最小值 m i n W minW minW
–	–
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
–	–
m m m 个约束条件	n n n 个约束变量
n n n 个约束变量	m m m 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 , L P LP LP 约束条件与 D P DP DP 约束变量符号相反 , L P LP LP 约束变量与 D P DP DP 约束条件符号相同 ;

补一张图 , 方便记忆 :

【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 )相关推荐

【运筹学】线性规划数学模型标准形式 ( 标准形式 | 目标函数转化 | 决策变量转化 | 约束方程转化 | 固定转化顺序 | 标准形式转化实例 ) ★★
文章目录一.线性规划标准形式二.线性规划普通形式 -> 标准形式目标函数转化三.线性规划普通形式 -> 标准形式无约束的决策变量转化四.线性规划普通形式 -> 标 ...
机器学习——支持向量机SVM之非线性模型（原问题转化为对偶问题）
目录一.复习(原问题.对偶问题.KKT条件.凸函数) 二.将最优化问题标准化为原问题(严格转化为标准形式) 1.原最优化问题 2.标准化后的问题三.转化为对偶问题(注意变量的对应关系) 四.对对偶 ...
java 反射速度_Java反射获取实例的速度对比分析
之前代码有一个逻辑,是在初始化时读取某个包下的所有class文件,放入到一个HashMap里.代码运行过程中,通过Key获取到对应class的全路径名,最后通过Class.forName(classN ...
python类属性和实例属性_Python 类属性与实例属性，类对象与实例对象用法分析...
本文实例讲述了Python 类属性与实例属性,类对象与实例对象用法.分享给大家供大家参考,具体如下: demo.py(类属性,所有实例对象共用类属性): # 定义工具类继承object是为了兼容py ...
Android上百实例源码分析以及开源分析集合打包
感谢网友banketree的收集,压缩包的内容如下: 1.360新版特性界面源代码实现了360新版特性界面的效果,主要涉及到Qt的一些事件处理与自定义控件.但源码好像是c++. 2.aidl跨进程调 ...
单细胞测序流程（八）单细胞的marker基因转化和GO富集分析
系列文章目录单细胞测序流程(一)简介与数据下载单细胞测序流程(二)数据整理单细胞测序流程(三)质控和数据过滤--Seurat包分析,小提琴图和基因离差散点图单细胞测序流程(四)主成分分析--P ...
第02章一个实例初识WorkBench分析流程-卡扣结构的动作分析
第02章一个实例初识WorkBench分析流程-卡扣结构的动作分析 1问题描述,关心的结果 2. 建模的介绍,模型改如何简化 3. 复杂特征的网格初步试划分 4. 网格再次的划分及调整 5. 材料的 ...
Abaqus 6.13高级实例与耦合分析视频教程
Abaqus 6.13高级实例与耦合分析视频教程链接:https://pan.baidu.com/s/1AkUl3vGU7VkRPM4SnuCKbQ 提取码:p02r
usb2.0 ehci host controller 简单数据传输实例的步骤分析
慎入!!!理解不成熟,目的是简单了解usb2.0 ehci主控,其数据传输的执行过程. 文章目录 1. 相关文档 2. EHCI简单系统框图 3. 简单数据传输实例的步骤分析 3.1相关协议内容截图 ...

【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 )

文章目录

一、对偶问题的对称形式

二、对偶问题实例

三、对偶问题规律 ( 目标函数求最大值 )

【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 )相关推荐

最新文章

热门文章