Please enable JavaScript.
Coggle requires JavaScript to display documents.
對偶問題 - Coggle Diagram
對偶問題
對偶性質
complementary slackness property
互補差額性質 :若[X;Xs]與[Y;Ys]是互補基解(必是一組可行,另一組不可行),則(X,Ys)(Xs,Y)對應之中,必然是基變數對應非基變數。因此,對應的變數相乘等於0。
若 (x,s)、(y,u)為一組可行互補基解,則(x,s)、(y,u)均為最佳解,若且唯若xu=0 且 ys=0 。
weak duality property
弱對偶性質(若x是maximize問題的可行解,且y是minimize問題的可行解,則此兩點的目標函數值必然cx≤yb,即Z值≤W值。)(等號成立在最佳解)
strong duality property
強對偶性質(若 x*是maximize問題的最佳解,且 y* 是minimize問題的最佳解,則此兩點的目標函數值必然cx*=y*b,即Z值=W值。)
complementary solutions property
互補解性質(在單形法每一回合找到可行解x時,同時也找到x的互補解y,也就是當時的Z列之slack variable之係數。互補解的特性是值相等,也就是同一回合的cx=yb;然而當x不是最佳解時,它的互補解y不是可行解。)
complementary optimal solutions property
互補最佳解性質 (在單形法求出最佳解x*時,它的互補解就是對偶問題的最佳解y*,由強對偶性質得知Z=W,且y*就是主問題各限制式的陰影價格。)
complementary basic solution property
互補基解性質 ((P)的每個基解,在(D)之中都有一個相對應的基解,稱為互補基解。(一個可行的基解對應一個不可行的互補基解,最佳解發生在兩互補基解均為可行解時)若[X;Xs]與[Y;Ys]是互補基解,則cx=by。)
原題與偶題之最終解對應關係表
原-->偶
無限值解-->無可行解
無可行解-->無限值解/無可行解
多重解-->退化解
退化解-->多重解
原題轉成偶題:
口訣:大轉小,先同在異。
小轉大,先異在同。(大同)
對偶單體法(dual simplex method)
為求解線性規劃問題的另一種作法,而單體法與對偶單體法的最大差別為對偶單體法允許 RHS 值為負數
遇到≥限制式,用對偶單體法會比big M / two-phase 還容易。
如果限制式其中一條有等號,就不能使用它且只能使用人工變數。
作法:
(1)限制式轉成≤
(2)加入slack variable
(3)RSH中,負最大的退出
(4)只考慮基準列中的負係數,絕對值比值最小的進入
(5)所有RHS值均為正數,即得可行解(多數為最佳),沒有達到,就繼續迴圈
只考慮基準列中「負」的係數,因為要透過對偶單體法,把原本因為RHS為負的不可行解區域,拉回到可以解區域
原題是Max或Min問題都可以,對偶單體法只是為了退到可行解區域,看是否為最佳解而已,跟Max/Min無關。
求對偶問題時,其中一個目的為當主要問題不容易求解時,可以轉成偶題以提升求解效率。
第一種解釋方法,較難懂。
經濟意義:
(1)yi:是單位資源i,對利潤的貢獻(shadow price)
(2)yi ≥ 0:貢獻必須非負,最少是0
(3)∑aijyi ≥ Cj:表示此資源組合對目標函數的貢獻,必須至少大於或等於1單位活動j對利潤的貢獻(CjXj)
(4) Min W=∑biyi:為目標函數,可以視為最小化活動消耗的資源的總隱含價值(可想成成本)
(成本與貢獻,一體兩面。限制式要想成貢獻,目標式要想成成本。)
所以,對偶問題的最小化目標可以理解為在滿足貢獻約束的情況下,使得資源的總成本最小。
第二種:交大教授的估計最大值法
第三種:最常被講的方式
販賣資源問題,有人想買資源
最小化成本
影子價格(shadow price)
影子價格(每增加1單位資源,對目標函數產生增量)= 偶題最佳解 = slack variable之係數
假設資源需要外購,則shadow prices在經濟意義上可視為,購買資源所願意支付的最高成本
影子價格的意義可以再強對偶中看出來,當今天達最佳,Z=W,可以看到b1每增加一單位,W就會增加y1,對應過去的Z也會增加y1,這就是資源量每增加一單位,對目標函數值的影響。