Lecture4 对偶理论幻灯片.ppt

* * 好 x1 x2 x3 x4 x5 x6 -1 1 -1 1 0 0 1 1 2 0 1 0 0 -1 1 0 0 1 x4 x5 x6 -1 -2 -3 0 0 0 -4 8 -2 0 1 -1 1 -1 0 0 0 2 1 1 1 0 0 -1 1 0 0 1 x1 x5 x6 0 -3 -2 -1 0 0 4 4 -2 4 -1 -1 1 0 0 -1 0 -1 0 0 3 1 1 2 0 1 -1 0 0 -1 x1 x5 x2 0 0 -5 -1 0 -3 6 0 2 10 原始-对偶算法 基本思想： 从对偶问题的一个可行解开始，同时计算原问题和对偶问题，试图求出原问题的满足互补松弛条件的可行解。 原问题： 对偶问题： 限定原始问题 Restricted primal problem 人工变量 限定原始问题的对偶问题 由于对偶问题无上界，所以原问题无可行解。 计算步骤 限定原始问题目标函数值 对偶问题可行解为w时所有的wpj-cj 对偶问题函数值f=wb 用原始-对偶算法解下列问题 解：对偶问题为 限定原始问题为： △ △ 4 2 3 0 2 1 8 0 0 5 2 3 5 1 0 3 1 2 3 0 1 2 1 1 2 1 2 1 3 2 1 - - y y y y x x x △ △ △ 1 4 2 3 0 2 1 2 0 -2 1 0 1 2 1 -1 1 0 2 3 0 1 2 1 1 2 2 2 1 3 2 1 - - y x y y x x x △ △ △ △ △ △ △ △ △ △ △ １ 解：它的对偶规划是 限定原始问题为 △ △ △ △ △ △ △ △ △ △ △ △ △ △ * * * * * * * 例 定理3(强对偶定理) 若(P),(D)均有可行解,则(P),(D)均有最优解,且(P),(D)的最优目标函数值相等. 证明：因为(P),(D)均有可行解,由推论2,推论3知,(P)的目标函数值在其可行域内有下界, (D)的目标函数值在其可行域内有上界, 故则(P),(D)均有最优解. 引入剩余变量，把(P)化为标准形: 推论：若问题(P)或(D)无可行解，则其对偶问题(D)或(P)或者无可行解,或者目标函数值趋于无穷。 推论 在用单纯形法求解LP问题（P）的最优单纯 形表中松弛变量的检验数的相反数为单纯形 乘子w= cB B-1 ，也就是其对偶问题（D）的最优解. 由于(P)化成标准形式时,松弛变量xn+j对应的列为-ej，它在目标函数中的价格系数＝０，所以， 判别数＝cB B-1 (-ej)-0=-wj 则松弛变量对应的判别数均乘以(-1)，便得到单纯形乘子w=(w1,…,wm). 当原问题达最优时,单纯形乘子即为对偶问题的最优解. 解：化为标准形 例: 求下列问题对偶问题的最优解 x1 x2 x3 x4 x5 1 2 1 0 0 4 0 0 1 0 0 4 0 0