线性规划对偶原理
第三章 线性规划的对偶理论
s.t. AX=b X≥0 由于 AX=b 即 AX=b
AX≤b AX≥b
AX≤b -AX≤-b 所以，原问题可化为 max z=CX s.t. AX≤b -AX≤-b X≥0
A
X≤ -A
b
-b
14
设Y'：AX≤b的对偶变量（行向量） Y''：-AX≤-b的对偶变量（行向量） 按对称形式的对偶关系可得出原问题的对偶问题如下： min w =Y'b-Y''b= （Y'-Y''）b （Yb=bTYT） s.t Y'A-Y''A≥C （ YA=ATYT） Y'≥0，Y''≥0 令Y= Y'-Y''，则对偶问题为 min w =Yb s.t YA≥C Y符号不限 结论：原问题中约束条件为等式，对应的对偶变量 无非负要求；反过来同样成立。
s.t. 2y1+ y2+ 4y3 ≥2
2y1+2y2+ 4y4 ≥3 y1, y2 , y3 , y4 ≥ 0
解：2.首先将原式变形
m axZ 2 x1 3 x 2 4 x 3 2 x 3 x 2 5 x 3 2 3 x1 x 2 7 x 3 3 x1 4 x 2 6 x 3 5 x1 , x 2 , x 3 0
对于非对称形式的规划，可以按照下面的对应关系直接给 出其对偶规划。 （1）对原问题模型为“max，约束条件为≤”或“min，约 束条件为≥” 的形式，对应的对偶规划的变量大于 0 ；反之， 若原问题模型为“max，≥”或“min，≤” 的形式，对应的 对偶规划的变量小于0。 （ 2 ）原问题线性规划的决策变量大于 0 ，则对偶问题的模 型为“max，约束条件为≤”或“min，约束条件为≥” 的形 式；若原问题线性规划的决策变量小于0；则对偶问题的模型 为“max，≥”或“min，≤” 的形式。
线性规划对偶问题
线性规划对偶问题线性规划是一种优化问题的数学建模方法，在实际生产和管理中广泛应用。
线性规划问题通常包括最大化或最小化一个线性目标函数的约束条件下的一组线性不等式或等式。
对于一个线性规划问题，其对偶问题是通过对原问题的目标函数和约束条件进行变换而得到的。
对偶问题有助于理解原问题的特性，并提供关于原问题的附加信息。
具体来说，对于一个原问题：最小化 C^T * X约束条件 A * X >= bX >= 0其中，C是目标函数的系数矩阵，X是决策变量向量，A是约束条件的系数矩阵，b是约束条件的右侧向量。
对于原问题的对偶问题，其形式为：最大化 b^T * Y约束条件 A^T * Y <= CY >= 0其中，Y是对偶变量向量。
对偶问题的最优解被称为对偶可行解，对偶问题的最优解与原问题的最优解之间存在弱对偶性和强对偶性。
弱对偶性指的是对于原问题的任意可行解X和对偶问题的任意可行解Y，有C^T * X >= b^T * Y。
这意味着对于原问题的任意最优解X*和对偶问题的任意最优解Y*，有C^T * X* >=b^T * Y*。
强对偶性指的是如果原问题和对偶问题的任意一个都有有界解，那么它们必然存在一对最优解，使得C^T * X* = b^T * Y*。
对偶问题的解决可以通过使用单纯形法或内点法等优化算法来进行求解。
对偶问题对线性规划问题的求解具有重要的应用价值和理论意义。
它可以用于确定原问题的可行解的界限，还可以提供原问题的敏感性分析和稳定性分析。
总之，线性规划的对偶问题是通过对原问题的目标函数和约束条件进行变换而得到的，对偶问题为理解原问题的特性和提供附加信息提供了一种有力的工具。
运筹学基础-对偶线性规划(2)
用单纯形法同时求解原问题和对偶问题
原问题是：
maxZ=2x1 +x2 5x2 ≤15 6x1 + 2x2 ≤ 24 x1 + x2 ≤ 5 x1 , x2 ≥0
5x2 +x3 =15 6x1 + 2x2 +x4 = 24 x1 + x2 +x5 = 5 xi ≥0
原问题的标准型是：maxZ=2x1 +x2+0x3+0x4 +0x5
b
15 24 5 0
x1 0 6 1 2
比 值
-
24/6=4
5/1=5
检验数j
对偶问题剩余变量 y4、y5
对偶问题变量 y1、y2 、y3
检验数行的－ (cj-zj)值是其对偶问题的一个基本解yi ；
原问题变量
0 2
原问题松驰变量
1 0 0 0 0 1/6 -1/6 -1/3 0 0 1 0
3
x3 x1
x2 1 检验数j= cj-zj
-1/4 -1/2
对偶问题剩余变量 y4、y5
对偶问题变量 y1、y2 、y3
此时得原问题最优解:X*=(7/2,3/2,15/2,0,0)T，Z*=17/2 则对偶问题最优解:Y*=(0,1/4,1/2,0,0)T，S*=17/2
又例：用单纯形法同时求解原问题和对偶问题
定理6（互补松弛定理）
在线性规划问题的最优解中，如果对应某一约束条件的 对偶变量值为非零，则该约束条件取严格等式；反之如果约 束条件取严格不等式，则其对应的对偶变量一定为零。
注：证明过程参见教材59页性质5证明
讨论:
互补松弛定理也称松紧定理，它描述了线性规划达到最
线性规划对偶理论
线性规划对偶理论前言线性规划（linear programming, LP）是一种求解线性模型的算法，该算法可以在目标函数下寻找最佳的解决方案。
通常情况下，线性规划可以被看作是一种最优化问题，其目的是在满足一组约束条件的前提下，找到可以最大化或最小化目标函数的变量值。
而对偶理论是线性规划问题中的重要概念之一，在很多情况下，使用对偶理论能够有效地求解出更优的解答。
线性规划与对偶理论在介绍线性规划对偶理论之前，我们先来简单了解一下线性规划的概念。
线性规划可以被定义为一组决策变量的线性函数，该函数的取值范围应在满足一组线性方程（或不等式）约束条件的前提下，使得目标函数达到最小（或最大）值。
换句话说，线性规划要求我们在可接受的条件下，寻找到最优的决策变量值。
围绕这种思想，我们可以进一步探讨线性规划的对偶问题。
在实践中，我们常常会面对一些较复杂的线性规划问题，此时我们可以使用对偶理论对其进行简化处理。
形式化地说，对于一个线性规划问题，我们可以构建一个对应的对偶问题，二者之间的关系可以被描述为一种对称的互补关系。
具体而言，在每个线性规划问题中，我们可以根据不同的约束条件求出一个对应的乘法因子，这个乘法因子可以在构建对偶问题时被使用。
通过这种方式，我们总是可以在对偶问题中找到一组最优解，而这组最优解实际上是原始问题的一个下界。
同时，我们可以利用对偶问题的最优解来求解原始问题的最优解，这种方法被称为对偶算法。
相比于原始的线性规划问题，对偶问题有着更为简洁的约束条件和更为易于求解的优化问题，因此其求解效率较高。
对偶问题的分析与求解在实际求解中，我们通常需要对给定的线性规划问题进行对偶化处理，并使用一系列的对偶算法来求解对偶问题。
下面，我们将会举两个例子来说明对偶问题的分析与求解。
例1：最小费用最大流问题最小费用最大流问题是一种最优化问题，其目的是在给定图中求出最大流量下的最小费用。
在具体求解中，我们可以通过建立一个对应的线性规划问题，并将其对偶化得到一个更加简洁的对偶问题。
线性规划的对偶问题
(二)非对称型对偶问题
max z c1x1 c2x2 c3x3 c3x3 s.t. a11x1 a12 x2 a13x3 a13x3 b1
a21x1 a22 x2 a23x3 a23x3 b2 a2a1x21x1 a2a2 x222x2 a2a3x233x3 a2a3x233x3 b2b2 a31x1 a32x2 a33x3 a33x3 b3
min w b1y1 b2 y2 b3 y3 s.t. a11 y1 a21 y2 a31 y3 c1
a12 y1 a22 y2 a32 y3 c2
a13 y1 a23 y2 a33 y3 c3 y1 0，y2无约束，y3 0
第11页
(二)非对称型对偶问题
对偶问题（原问题）
目标函数 min
约束条件右端常数
目标函数的系数
3个
≥0
变
≤0
量
无符号限制
23个
约
≥
束
≤
条 件
=
第13页
二、原问题与对偶问题的对应关系
原问题（对偶问题）
目标函数 max
目标函数的系数
约束条件右端常数
约 m个
束≤
条 件
≥
=
n个
变
≥0
量
≤0
无符号限制
对偶问题（原问题）
目标函数 min
约束条件右端常数
第8页
(二)非对称型对偶问题
max z = c1x1 + c2x2 + c3x3 s.t. a11x1 + a12x2 + a13x3 ≤ b1
a21x1 + a22x2 + a23x3 = b2 a31x1 + a32x2 + a33x3 ≥ b3 x1≥0, x2≤0, x3无约束 分析：化为对称形式。令 x2 x2，x3 x3 x3 (x3 0, x3 0)
线性规划对偶理论(含影子价格)_21136
对 偶
a11 a12
s.t.
a21
a22
a1n x1 b1
a2n
x2
b2
对 称
问
am1 am2
amn
xn
bm
形
题
x1, x2 , , xn 0
的
min Z c1x1 c2 x2 cn xn
定 义
a11 a21
s.t.
a12
a22
a1n a2n
x2 0,
x2
2
0
无界
关于无界性有如下结论： minW 4 y1 2 y2
原问题
问题无界
无可 行解
对偶问题 无可行解 无可行解
问题无界
y1 y2 2
（对）
y1
y1
y2 0, y2
1 0
无可 行解
原 : max Z x1 2x2
x1 x2 x3 2
2x1 x2 x3 1
m
m
A
≥b
n
对偶问题的特点
〔1〕目标函数在一个问题中是求最大值在 另一问题中则为求最小值
〔2〕一个问题中目标函数的系数是另一个 问题中约束条件的右端项
〔3〕一个问题中的约束条件个数等于另一 个问题中的变量数
〔4〕原问题的约束系数矩阵与对偶问题的 约束系数矩阵互为转置矩阵
一般
线性规 划问题 的对偶 问题
〔4〕强对偶性〔最优解的目标函数之间的关系〕 如果原问题有最优解，则其对偶问题也一定有 最优解，且两者的目标函数值相等
3、互补松弛性
在线性规划问题的最优解中， 如果对应某一约束条件的对偶变量值为非零，
则该约束条件取严格等式；
反之如果约束条件取严格不等式，
第三章线性规划的对偶定理
特点：
1． max min 2．限定向量b 价值向量C
其它形式 的对偶
?
（资源向量）
3．一个约束 一个变量。
4． max z的LP约束“ ” min z 的
LP是“ ”的约束。
5．变量都是非负限制。
二、原问题与对偶问题的数学模型
❖ 1．对称形式的对偶
当原问题对偶问题只含有不等式约束
时，称为对称形式的对偶。
根据对称形式的对偶模型,可直接 写出上述问题的对偶问题:
b max w (Y 1,Y 2 ) -b
(Y
1,Y
2
)
A A
C
Y1 0 ,Y2 0
max w (Y 1 Y 2 ) b
(Y
1
Y
2
)
A
C
Y 1 0, Y 2 0
令 Y Y，1 Y得2对偶问题为：
max w Yb
❖ （3）若原问题可行，但其目标函数值无 界，则对偶问题无可行解。
❖ （4）若对偶问题可行，但其目标函数值 无界，则原问题无可行解。
❖ （5）若原问题有可行解而其对偶问题无 可行解，则原问题目标函数值无界。
❖ （6）对偶问题有可行解而其原问题无可 行解，则对偶问题的目标函数值无界。
CX Yb
原问题
设备A 设备B 调试工序
产品Ⅰ 产品Ⅱ
0
5
6
2
1
1
利润（元） 2
1
D
15时 24时 5时
x 设 Ⅰ产量––––– 1
x Ⅱ产量––––– 2
如何安排生产， 使获利最多？
max z 2 x1 x2
s.t.
5x2 15
6 x1 2 x2 24
对偶问题的原理和应用
对偶问题的原理和应用1. 对偶问题的概述对偶问题是线性规划领域的一个重要概念，它通过将原始问题转化为对偶形式，从另一个角度来解决问题。
对偶问题在优化领域有着广泛的应用，尤其在线性规划中起到了重要的作用。
2. 对偶问题的原理对偶问题的转化是基于线性规划的标准形式进行的。
假设我们有一个原始线性规划问题：最小化：c T x约束条件：$Ax \\geq b$ 变量约束：$x \\geq 0$其中，c是目标函数的系数向量，A是约束矩阵，b是约束条件的右侧常数向量。
对于原始问题，我们可以定义一个对偶问题。
对偶问题的定义如下：最大化：b T y约束条件：$A^Ty \\leq c$ 变量约束：$y \\geq 0$其中，y是对偶问题的变量向量。
对偶问题的目标函数和约束条件是原始问题的线性组合，并且满足一定的对偶性质。
3. 对偶问题的求解方法对偶问题的求解方法有两种：一种是通过求解原始问题得到对偶问题的最优解，另一种是通过求解对偶问题得到原始问题的最优解。
这两种方法都可以有效地解决线性规划问题。
3.1 原始问题到对偶问题的转换原始问题到对偶问题的转换可以通过拉格朗日对偶性定理来实现。
该定理表明，原始问题的最优解与对偶问题的最优解之间存在一种对偶性关系。
通过求解原始问题的对偶问题，我们可以获得原始问题的最优解。
3.2 对偶问题到原始问题的转换对偶问题到原始问题的转换可以通过对偶定理来实现。
该定理表明，对偶问题的最优解与原始问题的最优解之间存在一种对偶性关系。
通过求解对偶问题，我们可以获得原始问题的最优解。
4. 对偶问题的应用对偶问题在实际应用中具有广泛的应用，下面介绍几个常见的应用场景。
4.1 线性规划问题对偶问题在线性规划中得到了广泛的应用。
通过将原始问题转化为对偶形式，我们可以使用对偶问题的求解方法来求解线性规划问题。
对偶问题可以提供原始问题的最优解，并且可以帮助我们理解原始问题的性质和结构。
4.2 经济学和管理学对偶问题在经济学和管理学中也有重要的应用。
(完整版)线性规划的对偶原理
线性规划的对偶原理3。
1 线性规划的对偶问题一、 对偶问题的提出换位思考家具厂的线性规划问题,该问题站在家具厂管理者的角度追求销售收入最大213050m ax x x z +=⎪⎩⎪⎨⎧≥≤+≤+0,50212034212121x x x x x x某企业家有一批待加工的订单，有意利用该家具厂的木工和油漆工资源来加工他的产品。
他 需要与家具厂谈判付给该厂每个工时的价格。
如果该企业家已对家具厂的经营情况有详细了 解，他可以构造一个数学模型来研究如何才能既让家具厂觉得有利可图,肯把资源出租给他, 又使自己付的租金最少.目标：租金最少；1y —付给木工工时的租金；2y -付给油漆工工时的租金2150120m in y y w +=所付租金应不低于家具厂利用这些资源所能得到的利益1）支付相当于生产一个桌子的木工、油漆工的租金应不低于生产一个桌子的收入 502421≥+y y2）支付相当于生产一个椅子的木工、油漆工的租金应不低于生产一个椅子的收入 30321≥+y y3）付给每种工时的租金应不小于零 0,021≥≥y y二、 原问题与对偶问题的数学模型1. 对称形式的对偶原问题和对偶问题只含有不等式约束时，一对对偶问题的模型是对称的，称为对称形式的对偶。
原问题:⎪⎩⎪⎨⎧≥≥=0min X b AX CX z对偶问题:⎪⎩⎪⎨⎧≥≤=0max Y C YA Yb w2. 非对称形式的对偶若原问题的约束条件全部是等式约束（即线性规划的标准型）,即⎪⎩⎪⎨⎧≥==0min X b AX CX z则其对偶问题的数学模型为⎪⎩⎪⎨⎧≤=是自由变量Y C YA Yb w max可把原问题写成其等价的对称形式:min z =CX AX ≥b AX ≤b X ≥0即 min z =CX⎥⎦⎤⎢⎣⎡-A A X ≥⎥⎦⎤⎢⎣⎡-b bX ≥0设Y 1=(y 1,y 2,…,y m ）， Y 2=（y m+1，y m+2，…,y 2m ）。
第三章 对偶原理
第一节 线性规划的对偶关系
一,对偶问题的提出 引例:胜利家具厂生产桌子和椅子两种家具. 引例:胜利家具厂生产桌子和椅子两种家具. 桌子售价50 50元 椅子售价30 30元 桌子售价50元/个,椅子售价30元/个,生产桌 子和椅子都需要木工和油漆工两种工种. 子和椅子都需要木工和油漆工两种工种.现已 知生产一个桌子需要木工4小时,油漆工2小时. 知生产一个桌子需要木工4小时,油漆工2小时. 生产一个椅子需要木工3小时,油漆工1小时. 生产一个椅子需要木工3小时,油漆工1小时. 该厂每个月可用木工工时为120小时, 120小时 该厂每个月可用木工工时为120小时,油漆工工 时为50小时. 50小时 时为50小时.问该厂如何组织生产才能使每月 的销售收入最大? 的销售收入最大?
原 问 题
有最优解 无界解 无可行解
max z = 3x1 + 5 x2 + x3 =8 x1 2 x2 + x4 = 12 s.t. 3x1 + 4 x2 + x5 = 36 x1 , x2 , x3 , x4 , x5 ≥ 0
cj→
CB 2 5 3
3 b 4 6 4 x1 0 0 1 0
另一方面该企业家付出的租金也不能太低,否则 胜利家具厂的决策者觉得无利可图而不会将资源租给 他,还不如自己进行生产.因此该企业家付出的租金 应不低于利用两种资源进行生产得到的利润,也即:
4 y 1 + 2 y 2 ≥ 50 3 y 1 + y 2 ≥ 30 y ,y ≥ 0 1 2
这样就得到了另外一个LP模型(2)
Z* =CX*= CBB b=Y*b=W*
由此
Z* = C B-1= Y* B b ) Z* ( Y*b) = yi* 或 b = bi i
线性规划的对偶问题
线性规划的对偶问题
线性规划的对偶问题
线性规划的对偶问题是线性规划中的一个分支，它的求解历程和一般的线性规
划想法不同，而且根据不同的约束条件最终能够求出最优解，使得问题获得最小的成本或最大的利润。
线性规划的对偶问题是从原问题的另一个角度去理解原来的模型，它将原有问
题转化为无穷多个单纯形模型，检验原问题各部分的存在可行性。
线性规划的对偶问题以可行性条件检验为主要特色，它可以检验原问题在具体变量形式下各限制条件之间的约束关系，这特别有利于解决在实际问题中模型中非可行情况的求解问题。
求解线性规划的对偶问题的核心思想就是将原问题的约束转换成一系列的子问题，通过求解子问题，再根据子问题的结果得到原问题的求解解，先求解子问题的时间复杂度会比求解原问题的复杂度小很多。
线性规划的对偶问题即其可行性检验的能力，由于其能有效处理问题中约束条
件之间存在的相互作用，具有优越的求解能力，因而在很多复杂的线性规划问题中都被广泛应用。
线性规划的对偶问题不仅能使求解结果更加准确，而且可以大大减少求解的时间，使程序性能更加突出。
运筹学第2章-线性规划的对偶理论
Ma例x：Z （ 2第x一1 章3例x22）
2 x1 2 x2 12
当原问题和对偶问题都取得最优解时，这 一对线性规划对应的目标函数值是相等的：
Zmax=Wmin
二、原问题和对偶问题的关系
1、对称形式的对偶关系
（1）定义：若原问题是
MaxZ c1 x1 c2 x2 cn xn
a11x1 a12 x2 a1n xn b1
s.t.a21
x1
a22
二、 手工进行灵敏度分析的基本原则 1、在最优表格的基础上进行； 2、尽量减少附加计算工作量；
5y3 3
，y
2
3
0
（用于生产第i种产 品的资源转让收益不 小于生产该种产品时 获得的利润）
对偶变量的经济意义可以解释为对工时及原材 料的单位定价 ；
若工厂自己不生产产品A、B和C，将现 有的工时及原材料转而接受外来加工时， 那么上述的价格系统能保证不亏本又最富 有竞争力（包工及原材料的总价格最低）
内，使得产品的总利润最大 。
MaxZ 2x1 3x 2
2x1 2x2 12
s.t.54xx12
16 15
x1, x 2 0
它的对偶问题就是一个价格系统，使在平衡了 劳动力和原材料的直接成本后，所确定的价格系统 最具有竞争力：
MinW 12y1 16y2 15y3
2y1 4y2
2
s.t.2y1y，1y
y1, y2, , ym 0
线性规划的对偶理论(第2部分)
灵敏度分析（Sensitivity Analysis）
对偶问题的解可以用于分析原问题参数变化对最优解的影响。通过对偶问题的灵敏度分析，可以 了解原问题解的稳定性以及参数调整对最优解的影响程度。
Part
05
目标规划与多目标决策
目标规划基本概念
目标函数
在目标规划中，目标函数表示决策者希望优化的目标，可以是最 大化或最小化某个或多个变量的函数。
约束条件
约束条件限制了决策变量的取值范围，确保解在实际可行域内。
优先级与权重
不同目标之间可能存在冲突，通过设定优先级和权重可以权衡各 个目标的重要性。
分支定界法的步骤
分支定界法主要包括分支、定界和剪枝三个步骤。首先，将原问题分解为若干个子问题；其次，对每个子问题分别求 解，并更新上下界；最后，通过剪枝策略删除不可能得到最优解的子问题，以减少计算量。
分支定界法的优缺点
分支定界法具有适用范围广、可求得全局最优解等优点；但同时也存在计算量大、求解效率不高等缺点。 因此，在实际应用中需要根据问题的特点和要求选择合适的算法。
多目标决策方法
线性加权法
将多个目标函数线性加权为一个综合目标函数，通过求解该综合目 标函数的最优解来实现多目标决策。
理想点法
先确定每个目标的理想值，然后构造一个评价函数来衡量实际解与 理想解之间的差距，通过最小化该评价函数来求解多目标决策问题。
分层序列法
将多个目标按照重要程度排序，依次求解各层目标的最优解，最终得 到综合考虑所有目标的满意解。
要点三
混合整数规划的应用 案例
混合整数规划在实际应用中有着广泛 的应用，如生产调度中的任务分配问 题、物流运输中的路径优化问题等。 通过运用混合整数规划方法，可以有 效地解决这些问题，提高生产效率和 运输效率。
第2章线性规划讲义的对偶问题
称CBB-1为单纯形乘子
19
二、对偶问题的基本性质
1. 对称性
2. 弱对偶性
推论：
(1)原问题任一可行解的目标函数值是其对偶问题目标函数 值的下界；反之对偶问题任一可行解的目标函数值是其 原问题目标函数值的上界。
(2)如原问题有可行解且目标函数值无界，则其对偶问题无 可行解；反之对偶问题有可行解且目标函数值无界，则 其原问题无可行解。
35
三、分析cj的变化 线性规划目标函数中变量系数cj的变化仅仅影响到检验 数，所以将cj的变化直接反映到最终单纯形表中，只可 能出现表2-9中的第一、二两种情况。
例5：在美佳公司例子中， (1) 若家电Ⅰ的利润降至1.5元/件, 而家电Ⅱ的利润增 至2元/件, 美佳公司最优生产计划有何变化? (2) 若家电Ⅰ的利润不变, 而家电Ⅱ的利润在什么范围 内变化时, 该公司的最优生产计划不发生变化。
28
练习： 用对偶单纯形法求解下述LP问题：
min w x1 4x2 3x4 x1 2x2 x3 x4 3
st. 2x1 x2 4x3 x4 2 xi 0(i 1,2,3,4)
29
min z cx
注: 若LP问题的标准形式为:
Ax b
st
.
x
0
其对偶单纯形法的求解步骤确定换入基变量的原则如下:
目标函数求极小值时，约束方程均为≥
2
二、对称形式下对偶问题的一般形式
对称形式的LP问题(LP1)：
M Z c 1 x a 1 c 2 x x 2 c n x n
a 1 x 1 1 a 1 x 2 2 a 1 n x n b 1 a 2 x 1 1 a 2 x 2 2 a 2 n x n b 2
第四章线性规划对偶
n
m
CXYb,即cjxj yibi
j1
i1
__ __
推论__ ⑴.若 X 和Y 分别是问题（P）和（D）的可__ 行解，
则C X 是（D）的目标函数最小值的一个下界； Y b 是
（P）的目标函数最大值的一个上界。
第四章线性规划对偶
11
推论⑵.在一对对偶问题（P）和（D）中，若其中 一个问题可行但目标函数无界，则另一个问题不可 行；反之不成立。这也是对偶问题的无界性。
矩 阵 形 式 ：P max Z CX
AX b
(2)
X
0
D minW Yb YA C Y 无符号限制（无约束）
第四章线性规划对偶
10
（二）、对偶问题的性质
1、对称性定理：对偶问题的对偶是原问题。
__ __
2、弱对偶原理（弱对偶性）：设 X和Y 分别是问题
（P）和（D）的可行解，则必有
__ __
相当于：在换基迭代过程中逐渐使得对应的对 偶消问 失题 ，（ 直D到）中yT，CyBTTB1CBT是B对1 偶的问不题可的行可性行逐解渐 时，就是原问题的最优解。
第四章线性规划对偶
17
回顾（单纯形法）：
m ax zcx (1)
(LP)
Ax b
(2)
s.t.
x
0
(3)
(b0)
r(Amn)m，A P 1 P m P m 1 P n B N
对偶问题（D Dual Problem）
m in 100y1 150y2
2 y1 y2 4
s .t .
1.5 y1 3 y1
2
2 y2 y2
7
5
y 1 , y 2 0
第2章线性规划(对偶问题)
• 解：根据上述对偶关 系，可以写出原问题 的对偶问题：
m in W 5 y 1 4 y 2 y 3 y1 y1 s .t . y 1 y 1 y1 2 y2 y3 2 y2 1 3 y2 y3 3 y3 1 0 , y3 0 , y 2无 约 束
• 令y4=y2-y3 ，得：
• Min W=y1+2y4 S.t. y1+2y4 1 2y1-3y4 2 5y1-4y4 -3 y1 0, y4无符号约束
原问题与对偶问题的对应关系
原问题（或对偶问题） 目标函数为 Max Z 变量 n个 0 0 无约束 对偶问题（或原问题） 目标函数为 Min W n个 ＝ 约束条件
– 设X*是原问题的可行解，Y*是对偶问题的可行
解，当CTX*=bTY*时，X*，Y*是最优解。
– 证明：由弱对偶性，可知原问题的所有可行解
X’均满足 CT X’ bTY*
又因为CTX* = bTY* ，所以CT X’ CTX* ，即： X*是使目标函数取值最大的可行解。因而是最 优解。 同理可证Y*也是最优解。
m个 ＝ 价值系数cj 约束条件右端项bi 约束条件的系数矩阵A 约束 条件
m个 变量 0 0 无约束 约束条件右端项cj 价值系数bi 约束条件的系数矩阵AT
例：
• 写出下面线性规划问 题的对偶问题： • 1.
m a x Z 2 x1 x 2 3 x 3 x 4 x1 x 2 x 3 x 4 5 2 x x 3x 4 1 2 3 s .t . x1 x 3 x 4 1 x1 , x 3 0 , x 2 , x 4 无 约 束
线性规划的对偶理论
xB x3 x4
cj - zj
b
8 4 4 2
1 x1 2 0
1 y3 2 0 1
2 x2 2 2
2 y4 0 1 0
0 x3 1 0
0 y1 1 0 0
0 x4 0 1
0 y2 -1 1/2 -1
Θ 8/2=4 4/2=2 Min 4/2=2
2 1
2
x3 x2
cj - z j
/
x1 x2
cj - z j
[例5] 用对偶单纯形法求解下列LP问题 （P64）
min w = 12y1 + 16y2 + 15y3
2y1 + 4 y2 ≥2 2y1 + 5y3 ≥ 3
y1 , y2 , y3 ≥ 0
标准形式为:
max w’ = －12y1 － 16y2 － 15y3＋ 0y4 ＋ 0y5 －2y1 － 4 y2 ＋ y4 =-2 －2y1 － 5y3 ＋ y5 = - 3 y1 , y2 , y3 , y4 , y5 ≥ 0
y1 y2 y3
设备 A B C 单位产品利润
产品 I 2 4 0 2元
产品 II 2 0 5 3元
设备有效台时 12 16 15
问如何安排生产最有利？
Next
生产产品的数学模型
设产品I和产品II的产量分别为x1和x2件, 利润为Z,
y1 y2 y3
Max Z 2 x1 + 4 x1 + 0x1 + x1 , = 2 x1 + 3 x2 2 x2 ≤ 12 0 x2 ≤ 16 5 x2 ≤ 15 x2 ≥ 0
一、对偶问题的概念
内容一致但从相反角度提出的一对问题 称为对偶问题
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
一般情形LP问题的对偶问题
• min cx • s.t. A1x ≥b1 A1 为m1×n , b1为m1×1 • A2x =b2 A2 为m2×n , b2为m2×1 • A3x ≤ b3 A3 为m3×n , b3为m3×1 • x ≥0 • 引入松弛变量 • min cx • s.t. A1x –xs =b1 xs为m1×1 • A2x =b 2 • A3x +xt = b3 xt为m3×1 • x, xs , xt ≥0
11
• • • • • • • • • • • • • •
min cx s.t. A1x –xs =b1 xs为m1×1 A2 x =b2 A3x +xt = b3 xt为m3×1 x, xs , xt ≥0 对偶问题为 max w1b1+ w2b2 + w3b3 s.t. w1A1+ w2A2 + w3A3 ≤c – w1Is ≤0 w3It ≤0
y 1 2y 2 1 2y y 2 1 2 (D) ST : 2y 1 3y 2 3 3y 2y 4 2 1 y 1, y 2 0
由 于 x(0) (0 ,0 ,4 ,4)T , 6 1 y , 是 (L),(D ) 的 可 行 解 5 5 且 cx(0) y(0)b 28
7
• • • • •
写出对称形式的对偶规划的要点： (1) min变成max (2) 价值系数与右端向量互换 (3) 系数矩阵转置 (4) ≥ 变 ≤
• 原问题中约束方程的个数=对偶问题中变量的 个数 • 原问题中变量的个数=对偶问题中约束方程的 个数
8
非对称形式的对偶
min cx s.t. Ax b x0
8 16 12 0
4
（3）对偶问题的对偶 推导过程
m ax
(D)
w b w A c w 0
b w
T T
T
T T
A w c w 0
T
5
m in st ..
T T b w T T T A w c T w 0
m a x
对偶
第四章
对偶原理
窗含西岭千秋雪，门泊东吴万里船 对偶是一种普遍现象
材料 甲 产品 A B C 限额 ３ ４ ２
乙 ２ １ ２
丙 １ ３ ３
丁 １ ２ ４
每台 收益 2000 4000 3000 x1 x2 x3
M axZ 2000x 1 4000x 2 3000x 3 3x 1 4x 2 2x 3 600 2x x 2x 400 1 2 3 ST : x x2 3x3 300 1 3 x 2x 4x 200 2 3 1 x 1, x 2, x 3 0
max ≤ ≥ = ≥0 ≤0 无限制
约 束 方 程 变 量
约 束 方 程
13
m in 2x x3 1 x 2 2 x x3 1 1 x 2 2 x 2 1 x 2 x 3 ST : 1 1 x 2 x 3 x 0 , x2无 约 束 ,x 0 1 3 x
(0) 1 xB B b (0) (0) x 可 以 表 示 为 x (0) xN 0
则cBB1(A , I) (c,0) 0
(()) w (A , I) (c,0),
(0) 令w cBB1,由 上 式 ， 得
(0) (0) (0) 即w A c, w 0 ,所 以 ， w 是 (D ) 的 可 行 解
m ax w w 1 2 2 w 3 w w w 2 1 2 3 1 w 1 w 2 w 3 ST : 2w w w 2 1 2 3 w 0 w 0 w 无 约 束 3
1
2
14
直接写出LP问题的对偶问题 例3
m ax x 1 2x 2 x 3 2 x 1 x 2 x 3 x x x 1 1 2 3 ST : 2 1 x 2 x 3 2x , x2 0 , x3无 约 束 1 0 x
19
* w 0 0 4 4
推论1： 若LP(或DLP)问题有无界解，则其对偶问题(或原问 题)无可行解； 若LP (或DLP)问题无可行解，则对偶问题(或原问题) 或者无可行解,或者目标函数值趋于无穷。 推论2： 极大化问题的任何一个可行解所对应的目标 函数值都是其对偶问题的目标函数值的下界。 推论3： 极小化问题的任何一个可行解所对应的目标 函数值都是其对偶问题的目标函数值的上界。
m in 2w w 1 w 2 2 3 1 w 1 w 2 2 3 w
w w w 2 1 2 3 ST : 1 w 1 w 2 w 3 w 约 束 w 1 0w 2无 3 0
15
m in 2x 1 x 2 2x 3
(L)
x 1 x 2 2x 3 1 x 1 x 2 x 3 2 ST : 1 x 2 x 3 1 x 约 束 1 0, x 3 0, x 2无 x
写成对称形式
min cx s.t. Ax b Ax b x0
对偶问题为：
max wb max ub vb s.t. uA vA c 令w u v s.t. wA c w无限制 u, v 0
9
• 例 min 5x1+4x2+3x3 • s.t. x1+x2+x3=4 • 3x1+2x2+x3 =5 • x1 ≥ 0, x2 ≥0, x3 ≥0 • 对偶问题为 • max 4w1+5w2 • s.t. w1+3w2≤5 • w1+2w2 ≤ 4 • w 1 +w 2 ≤ 3
m in st ..
c x A x b x 0
m a x w b st .. w A c w 0
（2）对称LP问题的对偶问题
m in c x (L) st .. A x b x 0
m a x w b (D) st .. w A c
m a x st ..
w 0 w b
T T T A w c
则 x 为 (L) 的 最 优 解
(0)
(0) 同 理 ,w 为 (D ) 的 最 优 解
21
例5
M axZ x x3 4x4 1 2x 2 3 x2 2x3 3x4 20 x 1 2 (L) ST : 2x x3 2x4 20 1 x 2 3 x 1, x 2, x 3, x 4 0 M inW 20y 1 20y 2
引入剩余变量，把(L)化为标准形．
x min (c, 0) xs x s.t. ( A, I ) b xs x 0, xs 0
24
(L) 的 最 优 解 为 x(0)， x(0)所 对 应 的 最 优 基 为 B
min cx s .t . A1 x b1 A2 x b2 A3 x b3 x0
max w1b1+ w2b2 + w3b3 s.t. w1A1+ w2A2 + w3A3 ≤c w1 ≥ 0, w3 ≤0
12
• • • • • • • • •
变 量
min ≥0 ≤0 无限制 ≥ ≤ =
20
定理2：最优性准则
(0) 若 x(0) , w 分 别 为 (L ),(D ) 的 可 行 解 且 (0) c x(0) w b ， 则 （） 0 （） 0 x ， w 分 别 为 (L )、 (D )问 题 的 最 优 解
证明：
对 原 问 题 的 任 意 可 行 解 x
(0) (0) 由 定 理可 1 知 , cx w b,而 cx(0) w b
w 0
3
例1：写出下列LP问题的对偶问题
m in 8x1 16x2 12x3 2 x1 4x2 st . .: 2x1 4x3 3 x 1, x 2, x 3 0
m ax 2w w 1 3 2
对偶
w 1 4w 1 ST :
2w 2 4w 2 w 1, w 2
(0)
所 以 ， x(0) , y(0)分 别 是 (L),(D)的 最 优 解
22
定理3：强对偶定理 若(L),(D)均有可行解,则(L),(D)均有最 优解,且(L),(D)的最优目标函数值相等.
证明：
(0) 设 (L),(D ) 问 题 的 可 行 解 分 别 为 x(0) , w
(0) 对 于 (L) 问 题 的 任 意 可 行 解x ， 有 cx w b
证 明 ：
由 于 x(0)是 (L ) 的 可 行 解 所 以 , Ax(0) b, x(0) 0 由 于 w 是 (D )的 可 行 解
(0)
(0) 所 以 w 0
(0) w 左 乘 不 等 式 组 的 两 边 得 w(0) Ax(0) w b
(0)
(0) 又 w Ac, x(0) 0 (0) 所 以w Ax(0) cx(0)
xTcT
T T (A ) x b
st ..
x 0
变形
m in
(DD)
cx A x b x 0
6
st ..
结论：对偶问题的对偶为原问题。
例2： 写出下列LP问题的对偶问题：
m ax7y 1 8y 2 y 3 3y 1 4y 2 y 3 3 3y 1y 2 y 3 4 ST : 1 y 2 y 3 0 4y 1, y 2, y 3 0 y
16
第二节 对偶问题的基本性质 • 原问题(L) • min cx • s.t. Ax ≥ b • x≥0 对偶问题(D) max wb s.t. wA ≤ c w≥0