2.4 54 线性规划及对偶理论.pptVIP

(5) 主对偶定理(可行解是最优解的性质） 推论：若原问题和对偶问题两者皆可行,则两者均有最优解,且此时目标函数值相等. 由对偶定理可得： （1）对偶问题最优解的表达式： Y* =CB B-1 (2) 对于Y* 没必要重新求解，可从原问题的最终单纯形表中获得。 即：对偶问题的最优解(即实变量的值)是原问题虚变量（即松弛变量）检验数的负值. 任何一个LP问题总是属于下列三种情况之一 综上所述,一对对偶问题的解必然是下列 三种情况之一: (1)原问题和对偶问题都有最优解 (2)一个问题具有无界解,另一个问题无可行解 (3)原问题和对偶问题都无可行解 虚变量:人工变量,松弛变量或剩余变量 实变量:决策变量 1. 1）原问题（max)松弛变量检验数的绝对值(负值）=对偶问题(min型)实变量的最优解. 2）原问题（max) 实变量的检验数的绝对值（负值）=对偶问题（min)虚变量的最优解. 2.由于原问题和对偶问题是相互对偶的， 因此对偶问题的检验数与原问题的解也有类似 上述关系： 1）原问题（max)实变量的最优解=对偶问题（min）剩余变量的检验数. 2）原问题（max）松弛变量的最优解=对偶问题(min)实变量的检验数. （因为对偶问题(min)当取得最优值时，检验数都大于等于0） 原问题或对偶问题只需求解其中之一就可以了. (6)互补松弛定理 设X*,Y*分别是原问题和对偶问题的可行解， Xs为原问题的松弛变量的值， Ys为对偶问题剩余变量的值. X*,Y*分别是原问题和对偶问题最优解的充分必要条件是: Y*Xs+YsX*=0 即Y*Xs=0和X*Ys=0 反之：设X*,Y*是最优解，则有CX*=Y*b 则有Y* Xs+YsX* =Y*b – CX*=0， 又Y* ， X*， Xs，Ys ≥0 所以 Y* Xs=0 , YsX*=0 例 ：已知线性规划的最优解为X=(6,2,0),求对偶问题的最优解 解： 对偶问题是 因为x1≠0, x2≠0, 所以对偶问题的第一，第二约束的松弛变量为0 即y1 + 2y2 = 3 2y1 +2y2 =4 得解y1 =1 , y2=1 从而对偶的最优解为Y=(1 ,1), 最优值为w=26 例5： (7)原问题单纯形表检验数行与对偶问题 基解的关系 主对偶性中,原问题（max)最终单纯形表检验数 的相反数对应对偶问题的一个最优解(基可行解)。 在每一步迭代中，原问题(max)单纯形表检验数的相反数对应对偶问题的一个基解。 结论： 原问题(max) 的检验数与对偶问题的基解 的对应：（ 单纯形法的双重含义） （1) 单纯形表中的检验数行和对偶问题的解仅差 一个符号 . （2）迭代中的每一步，原问题解一定为基可行解。 在得到原问题（max）的一个基可行解的同时, 其检验数的相反数构成对偶问题的一个基解 （不一定可行）。 即在原问题没有得到最优解 之前， 对偶问题的解是基解但非可行. 只有原问题的基可行解达到最优解时， 对偶问题的基解才达到可行， 此时对偶问题的这个基可行解才是最优解。 （3）迭代每一步中，其中第j个决策变量xj检验数的相反数 对应于对偶问题的第j个松弛变量ysj的解； 第i个松弛变量xsi的检验数的相反数对应于第i个 对偶决策变量yi的解； 即 这些相互对对应的变量，当在一个问题中 是实变量， 则在另一个问题中是虚变量。 另外：这些相互对对应的变量，当在一个问题中 是基变量， 则在另一个问题中是非基变量。 （4）迭代每一步中，将它们带入各自的目标函数中值相等，此值不一定是最优值。 只有当原问题的目标函数值达到最优值 时，对偶问题才达到最优。 （5）当原问题是min时，迭代中每一步的基可行解的检验数（注意不含负号）对应对偶问题的一组基解。 例: 线性规划 对偶的基本解为(y1，y2 ，y3 , y4 , y5) = （- λ4 ，- λ5，-