线性规划技巧: 如何写对偶问题

给定线性规划的原始问题, 本文介绍写如何方便地写出其对偶问题.

基本公式

我们先给出互为对偶问题的两种基本形式, 作为后续写对偶问题的基础.

1. 原问题的约束是不等式

2. 原问题的约束是等式

总结

  1. 原问题的一个约束对应一个对偶变量.
  2. 对偶变量乘以原问题约束的右端(b)得到对偶问题的目标.
  3. 原问题目标的系数c对应对偶问题约束的右端.
  4. 最小化对应最大化(反之亦然).
  5. 如果原问题有等式约束, 对偶变量没有非负要求.

方法

1. 定义对偶变量

对原问题的每一个约束, 定义一个对偶变量y_i. 如果一个约束是等式, 其对偶变量无非负限制.

2. 对偶变量乘约束

把对偶变量乘以原问题的约束. 约束右端b^Ty即为对偶问题的目标.

3. 计算x的系数

上一步把对偶变量乘以原问题的约束之后, 接着计算原问题约束中决策变量x的系数f(y) = A^Ty, 从而得到对偶问题的约束f(y) \leq c (假设原问题是最小化问题).

例子

1. 矩阵形式

原问题
\begin{aligned} \min ~ & c^Tx \\ \text{s.t. } & Ax \geq b & \rightarrow \quad \alpha \\ & Bx = d & \quad \rightarrow \quad \beta \\ & x \geq 0 \end{aligned}

定义对偶变量\alpha, \beta, 分别对应原问题的约束Ax\geq bBx=d.

  • b^T, d^T乘以\alpha, \beta然后求和得到对偶目标: b^T\alpha + d^T\beta
  • A^T, B^T 乘以\alpha, \beta然后求和得到约束: A^T \alpha + B^T\beta \leq c
  • \beta对应等式约束, 因此不要求非负

对偶问题
\begin{aligned} \min~& b^T \alpha + d^T \beta \\ \text{s.t. } & A^T \alpha + B^T \beta \leq c \\ & \alpha \geq 0 \end{aligned}

2. 非矩阵形式

原问题

\begin{aligned} \min ~ & \sum_{i=1}^n \sum_{j=1}^n l_{i,j} x_{i,j} \\ \text{s.t. } & \sum_{j=1}^n x_{i,j} - \sum_{j=1}^n x_{j,i} = 0, \quad \forall i\neq 1, n \quad & \rightarrow \quad y_i \\ & \sum_{j=1}^n x_{1,j} - \sum_{j=1}^n x_{j,1} = 1 & \rightarrow \quad y_1 \\ & \sum_{j=1}^n x_{n,j} - \sum_{j=1}^n x_{j,n} = -1 & \rightarrow \quad y_n \\ & x_{i,j} \geq 0, \quad \forall i, j \end{aligned}

如上面所示, 我们定义对偶变量y_i, i=1, 2, ..., n. 原问题的约束是等式约束, 因此不要求y_i非负. 用y_i乘以每个等式, 得到对偶问题的目标: (1, 0, ..., 0, -1) \cdot y = y_1 - y_n. 下面计算对偶问题的约束:

  1. 给定i,j, 计算原问题约束中x_{i,j}系数之和, 记作f_{ij}(y).
  2. 得到对偶问题的约束: f_{ij}(y) \leq l_{ij}

为了方便描述, 我们使用新的下标s, t, 并计算x_{s, t}的系数. 详细的计算过程如下:

  1. 第一组约束:
    (a): \sum_{j=1}^n y_i \cdot x_{i,j} - \sum_{j=1}^n y_ i \cdot x_{j,i} = 0. 注意i=2, 3, ..., n-1.
  • i=s时, x_{s, j}的系数是y_s, \forall j
  • i=t时, x_{j, t}的系数是-y_t, \forall j
  • x_{s,t}的系数之和是y_s-y_t. 注意: s, t \neq 1, n.
  • 得到对偶问题的约束: x_{s, t} \leq l_{s,t}, \forall s, t \neq 1, n
  1. 第二组和第三组约束:
    (b): \sum_{j=1}^n y_1 \cdot x_{1,j} - \sum_{j=1}^n y_1 \cdot x_{j,1} = y_1
    (c): \sum_{j=1}^n y_n \cdot x_{n,j} - \sum_{j=1}^n y_n \cdot x_{j,n} = -y_n
  • s=1, t=n时, x_{1, n}的系数之和为y_1-y_n (参考(b), (c))
  • s=1, t=1时, x_{1,1}的系数之和为y_1-y_1=0 (参考(b))
  • s=1, t=2, ..., n-1时, x_{1,t}的系数之和为y_1 - y_t (参考(b), (a))
  • s=n, t=1时, x_{n, 1}的系数之和为y_n - y_1 (参考(b), (c))
  • s=n, t=n时, x_{n, n}的系数之和为y_n - y_n (参考(c))
  • s=n, t=2, ..., n-1时, x_{n, t}的系数之和为y_n - y_t (参考(c), (a))

综合上面所有对偶问题的约束, 我们得到:
y_s - y_t \leq l_{s,t}, \quad \forall s, t = 1,2, ..., n.

对偶问题
\begin{aligned} \max ~ & y_1 - y_n \\ \text{s.t. } & y_i - y_j \leq l_{ i, j}, \quad \forall i, j = 1, 2, ... ,n. \end{aligned}

练习

Ex1

原问题

\begin{aligned} \min ~ & \sum_{i=1}^m \sum_{j=1}^n c_{i,j} x_{i,j} + \sum_{i=1}^m f_i y_i \\ \text{ s.t. } & \sum_{i=1}^m x_{i, j} = 1,\quad \forall j & \rightarrow \quad \alpha_j \\ & x_{i, j} \leq y_i, \quad \forall i, j & \rightarrow \quad \beta_{ i, j} \\ & x_{i, j} \geq 0, y_i \geq 0, \quad \forall i, j \end{aligned}

对偶问题

\begin{aligned} \max ~ & \sum_{j=1}^n \alpha_j \\ \text{ s.t. } & \alpha_j - \beta_{i,j} \leq c_{i,j}, \quad \forall i,j \\ & \beta_{i, j} \leq f_i, \quad \forall i, j \\ & \beta_{i, j} \geq 0, \quad \forall i, j \end{aligned}

Ex2

原问题
\begin{aligned} \max ~ & \sum_{e \in E} w_e x_e \\ \text{ s.t. } & \sum_{e\ni v} x_e = 1, \quad \forall v\in V \quad \rightarrow y_v \\ & x_e \geq 0 \end{aligned}

对偶问题

\begin{aligned} \min ~ & \sum_{ v \in V } y_v \\ \text{ s.t. } & y_u + y_v \geq w_e, \quad \forall e \in E, ~ e=(u,v) \end{aligned}

最后编辑于
©著作权归作者所有,转载或内容合作请联系作者
平台声明:文章内容(如有图片或视频亦包括在内)由作者上传并发布,文章内容仅代表作者本人观点,简书系信息发布平台,仅提供信息存储服务。