Linear Programming and Duality Theory.
本文目录:
- 线性规划问题 Linear Programming
- 弱对偶形式 Weak Duality
- 强对偶形式 Strong Duality
1. 线性规划问题 Linear Programming
线性规划(linear programming)问题是指求解线性约束下的线性函数最小值问题:
minxcTxs.t. Ax=bx≥0minxcTxs.t. Ax=bx≥0其中x,c∈Rn,b∈Rm,A∈Rm×n;Ax=b表示m个等式约束。
等价地,线性规划问题也可以写作:
minx{cTx|Ax=b,x≥0}有时线性规划问题难以直接求解,因此转而寻找线性规划问题的对偶形式(duality)。一般地,对偶是指将原问题转化为一个等价的、但具有不同形式的新问题;将新问题通过同样形式的变换后能够还原为原问题。解决对偶问题,就等价地解决了原问题;在实践中可以灵活地选择两者中形式更简单的进行解决。
2. 弱对偶形式 Weak Duality
线性规划问题的原问题是一个最小值问题,不妨假设最小值在x∗处取得,此时有Ax∗=b;在等式两边左乘y∈Rm,则有:
yTAx∗=yTb若引入约束条件ATy≤c或等价地yTA≤cT,根据x≥0则有:
yTAx∗≤cTx∗=minx{cTx|Ax=b,x≥0}结合上述两式可得:
yTb≤cTx∗=minx{cTx|Ax=b,x≥0}注意到上式对任意满足ATy≤c的y均成立,则对满足约束条件下使得yTb取值最大的情况也成立:
maxy{bTy|ATy≤c}≤minx{cTx|Ax=b,x≥0}上式即为线性规划问题的弱对偶形式。弱对偶形式将一个最小值问题转换为一个最大值问题,给出了原问题的一个下界。
进一步地,若两个问题相等,则称为强对偶形式。
3. 强对偶形式 Strong Duality
线性规划问题的强对偶形式为:
maxy{bTy|ATy≤c}=minx{cTx|Ax=b,x≥0}对于线性规划问题来说,强对偶形式是成立的;证明过程需要借助Farkas引理。
⚪ Farkas引理
对于矩阵A∈Rm×n和向量b∈Rm,下面两种情况有且只有一种成立:
- 存在x∈Rn且x≥0,使得Ax=b;
- 存在y∈Rm,使得ATy≤0且bTy>0。
下面提供一种几何视角的证明:
将矩阵A看作n个m维列向量的组合A=(a1,a2,⋯an),考虑集合:
{Ax|x∈Rn,x≥0}上述集合构成了矩阵A的所有列向量的非负线性组合,在空间中构成了一个“锥体”:
对于任意向量b∈Rm,则在空间中应具有两种情况:在锥体内部(包括边界)和在锥体外部。
若向量b在锥体内部(包括边界),则b可以表示为矩阵A列向量的非负线性组合,即存在x≥0,使得Ax=b。此即第一种情况。
若向量b在锥体外部,则总可以找到一个向量y∈Rm,使得y与矩阵A所有列向量的夹角都为钝角,表示为:
(aT1y≤0,aT2y≤0,⋯aTny≤0)↔ATy≤0且向量y与向量b的夹角为锐角,表示为bTy≥0。此即第二种情况。
⚪ 证明线性规划的强对偶形式
仍然假设原问题的最小值在x∗处取得,且对应的最小值为z∗=cTx∗。构造如下矩阵:
ˆA=(A−cT)∈R(m+1)×n,ˆbϵ=(b−z∗+ϵ)∈Rm+1当ϵ>0时,对于∀x≥0,ˆATx=ˆbϵ不成立。这是因为−z∗已经是−cTx的最大值,不可能存在一个更大的值−z∗+ϵ。则根据Farkas引理,存在ˆy∈Rm+1,使得ˆATˆy≤0且ˆbTϵˆy>0。
不妨将ˆy记为ˆy=(yα),则有:
ATy≤αc,bTy≥α(z∗−ϵ)注意到当ϵ>0时有ˆbTϵˆy=ˆbT0ˆy+αϵ>0。另一方面,当ϵ=0时有ˆAx∗=ˆbT0,满足Farkas引理的第一种情况;则第二种情况不成立,即恒有ˆbTϵˆy<0。结合上述两种情况可知当ϵ>0时有αϵ>0,即α>0。此时有:
ATyα≤c,bTyα≥z∗−ϵ即存在一个y在满足约束条件ATy≤c下使得bTy≥z∗−ϵ;显然bTy的最大值也是满足的:
maxy{bTy|ATy≤c}≥z∗−ϵ=minx{cTx|Ax=b,x≥0}−ϵ而根据弱对偶形式有:
maxy{bTy|ATy≤c}≤minx{cTx|Ax=b,x≥0}注意到对任意ϵ>0上述两个不等式恒成立。不妨取ϵ为无穷小的正数,根据两边夹定理则有:
maxy{bTy|ATy≤c}=minx{cTx|Ax=b,x≥0}
Related Issues not found
Please contact @0809zheng to initialize the comment