对偶原理典型例题深度解析
探索线性规划的核心奥秘，从对偶单纯形法到影子价格的经济直觉。 本文档旨在通过详实的对偶原理典型例题，帮助学习者构建完整的优化理论知识体系。
对偶原理核心概念解析
在运筹学与数学规划中，对偶原理（Duality Principle）是一个极其重要的理论基石。每一个线性规划问题（称为原问题，Primal Problem）都伴随着另一个相关的线性规划问题（称为对偶问题，Dual Problem）。这种对应关系不仅具有深刻的数学对称美，更在经济学和管理科学中有着直观的解释。理解对偶原理，关键在于掌握原问题与对偶问题之间的系数转换规则、符号限制以及目标函数值的关系。
许多同学在处理对偶原理典型例题时，往往困惑于如何正确构造对偶变量。事实上，只要遵循“对称形式”与“非对称形式”的两套基本规则，即可轻松应对。对称形式中，最大化问题的约束为“≤”，变量非负；其对偶为最小化问题，约束为“≥”，变量非负。而非对称形式则涉及等式约束与自由变量。
| 原问题 (Max Z) | 对偶问题 (Min W) | 对应关系说明 |
|---|---|---|
| 目标函数系数 C | 右端常数 C | 互换位置 |
| 右端常数 b | 目标函数系数 b | 互换位置 |
| 系数矩阵 A | 系数矩阵 AT | 转置 |
| 第 i 个约束 (≤) | 第 i 个变量 (≥ 0) | 符号对应 |
| 第 j 个变量 (≥ 0) | 第 j 个约束 (≥) | 符号对应 |
对偶原理典型例题精讲
为了帮助大家彻底掌握对偶原理，我们精选了三类最具代表性的例题：基础构造题、灵敏度分析题以及经济解释题。请通过下方的选项卡切换查看不同难度的解析。
例题一：标准形式的对偶构造
题目描述：
原问题 (P):
Max Z = 2x1 + 3x2
s.t.
x1 + 2x2 ≤ 8
4x1 + x2 ≤ 10
x1, x2 ≥ 0
解题步骤：
- 确定对偶变量：设对应第一个约束的对偶变量为 y1，对应第二个约束的为 y2。
- 确定目标函数：原问题为最大化，对偶为最小化。原问题右端常数为 8 和 10，故对偶目标函数为 Min W = 8y1 + 10y2。
- 确定约束条件：
- 对应 x1 的系数列 (1, 4)，转化为 y1 + 4y2 ≥ 2 (x1 的系数)。
- 对应 x2 的系数列 (2, 1)，转化为 2y1 + y2 ≥ 3 (x2 的系数)。
- 确定变量符号：原问题约束为“≤”，故对偶变量 y1, y2 ≥ 0。
最终对偶问题 (D)：
Min W = 8y1 + 10y2
s.t.
y1 + 4y2 ≥ 2
2y1 + y2 ≥ 3
y1, y2 ≥ 0
解析：此题展示了最标准的对称对偶转换。注意系数矩阵的转置以及右端常数与目标系数的互换。
例题二：含等式约束与自由变量
题目描述：
原问题 (P):
Max Z = x1 - x2 + 3x3
s.t.
x1 + x2 - x3 ≤ 5 (1)
2x1 - x3 = 4 (2)
x1 ≥ 0, x2 ≤ 0, x3 无约束
解题关键点：
- 约束(2)为等式：对应的对偶变量 y2 为自由变量（无符号限制）。
- 变量 x2 ≤ 0：令 x2' = -x2 ≥ 0，或直接利用规则：原问题变量“≤0”对应其对偶约束为“≤”。即 -y1 - y2 ≤ -1 (注意系数变化)。
- 变量 x3 无约束：对应的对偶约束为等式。
最终对偶问题 (D)：
Min W = 5y1 + 4y2
s.t.
y1 + 2y2 ≥ 1 (对应 x1 ≥ 0)
-y1 - y2 ≤ -1 (对应 x2 ≤ 0，即 -x2 ≥ 0)
-y1 - y2 = 3 (对应 x3 无约束)
y1 ≥ 0, y2 无约束
解析：这是考研中常见的陷阱题。务必牢记：等式约束↔自由变量，自由变量↔等式约束。
例题三：利用对偶定理求解
题目描述：
已知原问题最优解为 X = (2, 4)T，目标函数值 Z = 14。利用互补松弛性（Complementary Slackness）求解对偶问题的最优解。
解题步骤：
- 检查原问题松弛：将 X 代入原问题约束。
约束1: 2 + 2(4) = 10 > 8 (假设原约束为≤8，此处假设具体数值以便演示，通常需代入原题)。
假设原约束为：
1. x1 + 2x2 ≤ 10 (2+8=10, 紧约束)
2. 4x1 + x2 ≤ 12 (8+4=12, 紧约束) - 应用互补松弛：若原问题约束为严格不等式（松弛变量>0），则对应的对偶变量为0。若原问题变量>0，则对应的对偶约束为等式。
- 建立方程组：因为 x1=2>0, x2=4>0，所以对偶问题的两个约束均取等号：
y1 + 4y2 = 2
2y1 + y2 = 3 - 求解：解得 y1 = 2/7, y2 = 17/7。
解析：互补松弛性是连接原问题与对偶问题最优解的桥梁，尤其在已知其一求解另一个时极为有效。
对偶原理解题思维路径
掌握对偶原理不仅仅是背诵规则，更要理解其背后的逻辑演进。以下是解决对偶问题的标准思维路径：
Step 1: 识别问题类型
首先判断原问题是最大化还是最小化。确定约束条件是“≤”、“≥”还是“=”。明确变量的符号限制（非负、非正或自由）。
Step 2: 标准化处理
若非对称形式，建议先将其转化为对称形式，或直接应用非对称对偶规则。确保系数矩阵、目标系数向量 b 和 c 的位置对应正确。
Step 3: 构造对偶问题
写出对偶目标函数（Min/Max）和约束条件。特别注意变量符号与约束类型的对应关系（弱对偶定理的基础）。
Step 4: 求解与验证
使用对偶单纯形法或图解法求解。利用强对偶定理验证：若原问题有最优解，则对偶问题也有，且最优值相等。检查是否满足互补松弛条件。
对偶原理在经济与管理中的应用
对偶原理在现实生活中有着广泛的應用，特别是在资源分配、生产计划和投资组合优化中。对偶问题的解通常被称为影子价格（Shadow Price）。
影子价格的经济含义
影子价格并非市场实际价格，而是资源在最优利用下的边际价值。它表示当某种资源增加一个单位时，目标函数（如总利润）的最大增加量。
- 若影子价格 > 0，说明该资源是稀缺资源，应尽可能获取更多。
- 若影子价格 = 0，说明该资源有剩余，增加该资源不会带来收益提升。
灵敏度分析
通过对偶原理，我们可以方便地进行灵敏度分析。例如，当原材料价格波动或市场需求变化时，我们可以快速评估最优解的稳定性，而无需重新从头计算整个线性规划模型。
- 分析目标函数系数 c 的变化范围。
- 分析约束右端常数 b 的变化对最优值的影响。
- 判断新增产品或新工艺是否值得引入。
博弈论中的对偶
在零和博弈中，玩家的最小最大策略（Minimax）可以通过线性规划的对偶理论来求解。两个玩家的优化问题互为对偶问题，这为混合策略纳什均衡的存在性提供了数学证明。
- 极大极小定理是对偶原理在博弈论中的直接体现。
- 有助于理解市场竞争中的均衡状态。
常见问题解答 (FAQ)
以下是关于对偶原理典型例题学习过程中最高频的疑问：
是的，但形式更复杂。在非线性规划中，我们通常使用KKT条件（Karush-Kuhn-Tucker conditions），它实际上是拉格朗日对偶性的一阶必要条件。对于凸规划问题，强对偶性通常依然成立，但需要满足Slater条件等约束规范。
这是由弱对偶定理决定的。为了使原问题目标值（上界）和对偶问题目标值（下界）有交集，最大化问题的目标值必须大于等于对偶问题的目标值。因此，原问题提供上界，对偶问题提供下界，两者在最优解处相遇。这保证了优化过程的收敛性和稳定性。
建议记忆口诀：“等式对应自由，自由对应等式”。如果原问题约束是等式，对偶变量无符号限制；如果原问题变量无符号限制，对偶约束是等式。对于不等式方向，保持“≤”对“≥”的对称性即可。