一个混合整数规划的拉格朗日对偶

在论文中看到一个混合整数规划问题的对偶,非常有意思,记录下来。

x 0 x_0 x0是一个已知常数,原问题:

min ⁡ y , z y s.t. 1.5 y ≥ x 0 z = x 0 0 ≤ z ≤ 2 y ∈ { 0 , 1 , 2 } (1) \begin{aligned} \min\limits_{y,z}\quad &y\\ \text{s.t.}\quad &1.5y\geq x_0\\ &z=x_0 \tag{1}\\ &0\leq z\leq 2\\ &y\in\{0,1,2\} \end{aligned} y,zmins.t.y1.5y≥x0z=x00≤z≤2y∈{0,1,2}(1)

引入惩罚参数 π \pi π,将约束条件(1)松弛,得到对偶问题:

max ⁡ π min ⁡ y , z y − π ( z − x 0 ) s.t. 1.5 y ≥ x 0 0 ≤ z ≤ 2 y ∈ { 0 , 1 , 2 } \begin{aligned} \max\limits_{\pi}\min\limits_{y,z}\quad &y-\pi(z-x_0)\\ \text{s.t.}\quad &1.5y\geq x_0\\ &0\leq z\leq 2\\ &y\in\{0,1,2\} \end{aligned} πmaxy,zmins.t.y−π(z−x0)1.5y≥x00≤z≤2y∈{0,1,2}

当 x 0 = 1 x_0=1 x0=1 时,原问题的最优解为 1,对偶问题的最优解为 1 / 1.5 = 2 / 3 1/1.5=2/3 1/1.5=2/3.

相关推荐
hyk今天写算法了吗3 天前
凸优化学习(3)——对偶方法、KKT条件、ADMM
学习·kkt条件·凸优化·拉格朗日·admm·拉格朗日对偶
少云清8 个月前
机器学习_12_梯度下降法、拉格朗日、KKT
人工智能·机器学习·梯度下降·拉格朗日·kkt
WSKH09291 年前
【论文阅读】(2016)Learning to Branch in Mixed Integer Programming
论文阅读·机器学习·运筹优化·混合整数规划