當前位置：首頁 > 编程资源 > 编程问答 >内容正文

编程问答

UA SIE545 优化理论基础4 对偶理论简介1 松弛问题与Lagrange对偶

發布時間：2025/4/14 编程问答 29 豆豆

生活随笔收集整理的這篇文章主要介紹了 UA SIE545 优化理论基础4 对偶理论简介1 松弛问题与Lagrange对偶小編覺得挺不錯的,現在分享給大家,幫大家做個參考.

UA SIE545 優化理論基礎4 對偶理論簡介1 松弛問題與Lagrange對偶

優化理論基礎第四部分介紹對偶問題(Dual problem)及其簡單性質，是對偶理論的入門，后續章節會更深入地討論對偶問題的數學基礎及其求解方法。這一講我們介紹松弛(relaxation)這個概念以及為什么我們需要討論對偶問題。

定義1 Relaxation
考慮兩個優化問題：
$zP=min?{f(x):x∈X}zR=min?{g(x):x∈Y}z_P = \min\{f(x):x \in X\} \\ z_R = \min \{g(x): x \in Y\}$

稱優化問題R是優化問題P的一個松弛問題，如果

\ge g(x),\forall x \in X

\subset Y

評注1 根據第一個條件，我們知道最優值一定滿足 $zP≥zRz_P \ge z_R$ ，因為
$min?x∈Xf(x)≥min?x∈Xg(x)≥min?x∈Yg(x)\min_{x \in X}f(x) \ge \min_{x \in X} g(x) \ge \min_{x \in Y} g(x)$

根據第二個條件，優化R的可行域比優化P的可行域更大，所以如果優化R是infeasible，那么優化P也是infeasible。

性質1 假設 $x_R$ 是優化R的一個最優解，如果它滿足 $xR∈Xx_R \in X$ , $f(x_R)=g(x_R)$ ，則 $x_R$ 也是優化P的一個最優解。

證明
$x_R$ 是優化R的一個最優解說明 $?x∈Y\forall x \in Y$ , $\ge g(x_R)$ ，根據relaxation的條件， $?x∈X,f(x)≥g(x)≥g(xR)=f(xR)\forall x \in X,f(x) \ge g(x) \ge g(x_R) = f(x_R)$ ，因此 $x_R$ 也是優化P的一個最優解。
證畢

例1 不求解線性規劃，考慮 $z^*$ 的下界，其中 $z^*$ 為
$z?=min?x1,x22x1+4x2s.t.{x1+x2≥205x1+3x2≥90x2≤10,x1,x2≥0z^* = \min_{x_1,x_2} 2x_1+4x_2 \\ s.t. \begin{cases} x_1+x_2 \ge 20 \\ 5x_1+3x_2 \ge 90 \\ x_2 \le 10 ,x_1,x_2 \ge 0 \end{cases}$

我們記這個線性規劃為P，為了找 $z^*$ 的下界，根據評注1的討論，我們可以找線性規劃P的一個relaxation。但我們知道，隨便修改一個數字，讓可行域變大或者目標函數變小，比如第一個約束的20改成19或者目標函數系數從2，4改成1，2等，都可以是relaxation，那么怎么樣的relaxation才是值得我們去討論的呢？

我們在KKT理論的框架下來討論這個問題。定義Lagrange函數
$?(x1,x2,u1,u2,u3)=2x1+4x2+u1(?x1?x2+20)+u2(?5x1?3x2+90)+u3(x2?10)\phi(x_1,x_2,u_1,u_2,u_3)=2x_1+4x_2+u_1(-x_1-x_2+20) \\ +u_2(-5x_1-3x_2+90)+u_3(x_2-10)$

則KKT定理說明線性規劃P等價于加入KKT條件的優化R，其中優化R為
$min??(x1,x2,u1,u2,u3),x1,x2,u1,u2,u3≥0\min \phi(x_1,x_2,u_1,u_2,u_3),x_1,x_2,u_1,u_2,u_3 \ge 0$

不難發現優化R就是線性規劃P的一個relaxation，記 $θ(u1,u2,u3)\theta(u_1,u_2,u_3)$ 是優化R目標函數的最優值，則
$z?≥θ(u1,u2,u3),u1,u2,u3≥0z^* \ge \theta(u_1,u_2,u_3),u_1,u_2,u_3 \ge 0$

接下來我們分析優化R的目標函數，
$?(x1,x2,u1,u2,u3)=(2?u1?5u2)x1+(4?u1?3u2+u3)x2+20u1+90u2?10u3\phi(x_1,x_2,u_1,u_2,u_3)=(2-u_1-5u_2)x_1\\+(4-u_1-3u_2+u_3)x_2 + 20u_1+90u_2-10u_3$

我們需要牢記，我們的目標是最小化這個目標函數從而得到 $z^*$ 的有價值的下界。如果 $2-u_1-5u_2<0$ ，目標函數關于 $x_1$ 單調遞減，那么對于 $x1≥0x_1 \ge 0$ ，最小值就是 $x1→+∞x_1 \to +\infty$ 的時候取得，為 $?∞-\infty$ ，這個下界說明 $z?>?∞z^*>-\infty$ ，這就是沒有價值的下界，因為我們不做這些分析也知道這個結果。因此我們需要 $2?u1?5u2≥02-u_1-5u_2\ge 0$ ，同理， $4?u1?3u2+u3≥04-u_1-3u_2+u_3 \ge 0$ ，此時目標函數的最小值將在 $x_1=x_2=0$ 時取得，因此
$θ(u1,u2,u3)=20u1+90u2?10u32?u1?5u2≥04?u1?3u2+u3≥0u1,u2,u3≥0\theta(u_1,u_2,u_3) = 20u_1+90u_2-10u_3 \\ 2-u_1-5u_2\ge 0 \\ 4-u_1-3u_2+u_3 \ge 0 \\ u_1,u_2,u_3 \ge 0$

現在我們進一步討論，雖然得到了一個比較合理的下界了，但它是關于 $u_1,u_2,u_3$ 的函數，為了得到一個最大的下界，我們考慮線性規劃D
$max?θ(u1,u2,u3)=20u1+90u2?10u3s.t.2?u1?5u2≥04?u1?3u2+u3≥0u1,u2,u3≥0\max \theta(u_1,u_2,u_3) = 20u_1+90u_2-10u_3 \\ s.t. \ \ 2-u_1-5u_2\ge 0 \\ 4-u_1-3u_2+u_3 \ge 0 \\ u_1,u_2,u_3 \ge 0$

顯然在線性規劃的對偶理論中，線性規劃D是線性規劃P的對偶問題。

接下來我們討論怎么將線性規劃的對偶理論推廣到非線性規劃中。從例1中我們可以總結，對偶問題的決策變量是Lagrange乘子，將原來的決策變量作為對偶問題的“乘子”，這種思路是建立在KKT理論與Lagrange函數上的，我們稱這種對偶為Lagrange對偶(Lagrangian Duality)。

定義2 Lagrange對偶問題。考慮優化問題P：
$min?f(x)s.t.g(x)≤0,h(x)=0,x∈X\min f(x) \\ s.t. \ g(x) \le 0, h(x) = 0, x \in X$

定義其對偶問題為優化D：
$sup?u,vθ(u,v)s.t.u≥0\sup_{u,v} \theta(u,v) \\ s.t. u \ge 0$

評注2
我們按例1的邏輯順序來梳理一下定義2，首先寫出優化P的Lagrange函數，
$?(x,u,v)=f(x)+uTg(x)+vTh(x)\phi(x,u,v) = f(x)+u^Tg(x)+v^Th(x)$

然后關于 $x$ 做最小化，
$θ(u,v)=inf?x∈X?(x,u,v)\theta(u,v)=\inf_{x \in X}\phi(x,u,v)$

最后就是定義中的最大化了。

例2 線性規劃的對偶，考慮最小化
$min?cTxs.t.b?Ax≤0\min c^Tx \\ s.t. b - Ax \le 0$

它的對偶問題的目標函數為
$θ(u)=inf?{cTx+uT(b?Ax)}=inf?{(cT?uTA)x+uTb}={uTb,ifATu=c?∞,otherwise\theta(u) = \inf\{c^Tx+u^T(b-Ax)\} \\ = \inf\{(c^T-u^TA)x+u^Tb\} = \begin{cases} u^Tb, \ if A^Tu=c \\ -\infty, \ otherwise \end{cases}$

因此對偶問題為
$sup?uuTbs.t.ATu=c,u≥0\sup_u u^Tb \\ s.t. A^Tu = c,u \ge 0$

總結

以上是生活随笔為你收集整理的UA SIE545 优化理论基础4 对偶理论简介1 松弛问题与Lagrange对偶的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。

上一篇：精算模型10 非参数模型0 精算数据、非
下一篇： R语言非中心化F分布