第2篇 线性规划(对偶问题).ppt

⑥互补松驰定理：设原问题和对偶问题的标准型分别为： 若X*，Y*分别是原问题和对偶问题的可行解，那么Y*TXs=0和YsTX*=0当且仅当X*、Y*为最优解。 证明： 原问题 对偶问题 Max Z=CX Min W=Yb AX+Xs=b YA-Ys=C X,Xs?0 Y,Ys ?0 Z=CX=(YA-Ys)X=YAX-YsX W=Yb=Y(AX+Xs)=YAX+YXs 充分性：P58 必要性：P58 该定理的隐含结论： 当一对对偶规划达到最优时，若一个问题的某个变量为正数，则相应的另一个问题的约束必取等式；或者一个问题中的约束条件取不等式，则相应的另一个问题的变量必为零。 理由：由于X*,Y*为最优，故YsTX*=0，Y*TXs=0。 如果Xi*0，所以有Ysi=0，也就有对偶问题相应的约束条件为等式约束（因为X,Y都是非负的）； 如果Y*j0，所以有Xsj=0，也就有对偶问题相应的约束条件为等式约束。 ⑦设原问题是： max Z=CX; AX+Xs=b; X,Xs?0 对偶问题是： min W=Yb; YA-Ys=C; Y,Ys?0 则原问题单纯形表的检验数行对应于其对偶问题的一个基解，其对应关系为： XB XN XS 0 CN-CBB-1N -CBB-1 YS1 YS2 -Y 例： 已知线性规划问题 的最优解为X*=(0,0,4,4)T，最优值Z*＝28。试用互补松驰性找出其对偶问题的最优解。 解：写出该问题的对偶问题： Min W=20y1+20y2 S.t. y1+2y2?1 2y1+y2 ? 2 2y1+3y2 ? 3 3y1+2y2 ? 4 yi ? 0,i=1,2,3,4 根据互补松驰性，可得： x3*=40,则2y1+3y2=3 x4*=40,则3y1+2y2=4 解得：y1=6/5,y2=1/5满足对偶问题的前两个约束条件，所以它是对偶问题的可行解。其对应的目标函数W*=28=Z*，从而y1=6/5,y2=1/5为对偶问题的最优解。 例： 已知线性规划问题 试用对偶理论证明上述线性规划问题无最优解。 证明：首先看到该问题存在可行解，如X=(0,0,0)，而上述问题的对偶问题为： 由第一个约束条件可知对偶问题无可行解，因原问题有可行解，故无最优解（若原问题有最优解，则对偶问题也有最优解）。 对偶单纯形法 对偶单纯形法是运用对偶原理求解原问题的一种方法，而不是求解对偶问题的单纯形法。 正则解：检验数全部为非负的基本解，叫正则解。 正则解一般不可行。如果可行，即为最优解。 原理：从一个正则解出发，用单纯形法进行迭代，迭代过程中始终保持解的正则性不变，使解的不可行性逐渐消失，所得第一个可行解即为最优解。 其与单纯形法的区别在于： 单纯形法在整个迭代的过程中，始终保持原问题的可行性，即常数列非负，而检验数由有负分量逐步变为全部非负，即同时得到原问题和对偶问题的最优解。 对偶单纯形法在整个迭代过程中，始终保持对偶问题的可行性，即全部检验数非负，而常数列由有负分量逐步变为全部非负，即同时得到原问题和对偶问题的最优解。 单纯形法 对偶单纯形法 从一个初始基可行解出发 从一个初始正则解出发 检验数可 正可负 保持右边常数非负（即解的可行性） 右边常数 可正可负 保持检验数非负（即解的正则性） 检验数均非负，则为最优解 常数均非负，则为最优解 对偶单纯形法的步骤 确定换出变量：在负的基变量中选择最小的基变量为换出变量； 确定换入变量：用换出变量的那一行具有负值的系数分别去除同列的检验数，取绝对值最小者所对应的变量为换入变量； 进行迭代变换（分别进行行、列变换）； 进行最优性检验：如果所得的基本解都是非负的，则此解即为最优解，反之继续迭代，直至所有基变量为非负的数值为止。 对于生产汽车的例子： Min W=1600y1+2500y2+400y3 2y1+5y2+y3 ?4 s.t. 2y1+2.5y2 ? 3 y1、y2、y3 ? 0 Max (-W)=-1600y1-2500y2-400y3-My5-My7 2y1+5y2+y3 -y4+y5=4 s.t. 2y1+2.5y2 -y6+y7=3 y1 ? 0 ,i=1,2,…,7