单纯形法与对偶问题：线性规划的核心算法解析

1. 算法习题解析：从单纯形法到对偶问题

这道算法习题看似简单，却串联起了线性规划中几个关键概念。我在研究生阶段第一次接触这个题目时，花了整整三天才完全理清其中的逻辑关系。现在结合多年算法教学经验，带大家用工程师的视角重新审视这个经典问题。

习题10.1通常要求我们证明：在用单纯形法求解线性规划问题时，如果同时保持原问题和对偶问题的可行解，那么当原问题达到最优解时，对偶问题也同时达到最优。这个结论揭示了线性规划中令人惊叹的对称美，也是算法设计中"迭代改进"思想的典型范例。

2. 核心概念拆解

2.1 单纯形法的运作机制

单纯形法就像一位在山脉中寻找最高峰的登山者。它从一个可行解（山脚）出发，沿着使目标函数值改善的方向（上山路径），逐步移动到相邻的顶点（山峰），直到找不到更优的邻点（到达顶峰）为止。

具体实现时，我们需要：

1. 将不等式约束转化为标准型
2. 构建初始单纯形表
3. 选择入基变量（最陡的上山方向）
4. 选择离基变量（确保不越过可行域）
5. 进行枢轴运算（移动到新顶点）
6. 重复直到最优

关键技巧：在选择入基变量时，我习惯同时计算所有非基变量的检验数，而不仅仅是选择第一个正检验数。这样可以避免某些情况下的循环问题。

2.2 对偶问题的构建艺术

每个线性规划问题都有一个"镜像"般的对偶问题。原问题求最大，对偶就求最小；原问题的约束系数矩阵转置后成为对偶问题的系数矩阵。这种对称关系就像物理中的能量守恒定律。

构建对偶问题的实用口诀：

• 原问题有n个变量 → 对偶问题有n个约束
• 原问题第i个约束是"≤" → 对偶问题第i个变量≥0
• 原问题目标求max → 对偶目标求min

3. 算法实现细节

3.1 单纯形法的C++实现框架

cpp复制class Simplex {
private:
    vector<vector<double>> table; // 单纯形表
    int m, n; // 约束数和变量数
    
public:
    void pivot(int row, int col) {
        // 枢轴运算实现
        double pivot_val = table[row][col];
        for(int j=0; j<=n; j++)
            table[row][j] /= pivot_val;
            
        for(int i=0; i<=m; i++)
            if(i != row && table[i][col] != 0) {
                double ratio = table[i][col];
                for(int j=0; j<=n; j++)
                    table[i][j] -= ratio * table[row][j];
            }
    }
    
    bool solve() {
        while(true) {
            int col = selectEnteringVar();
            if(col == -1) return true; // 最优解
            
            int row = selectLeavingVar(col);
            if(row == -1) return false; // 无界
            
            pivot(row, col);
        }
    }
};

3.2 对偶问题的验证技巧

验证对偶关系时，我总结了一个三步检查法：

1. 弱对偶性检查：任意可行解的目标值关系
2. 强对偶性检查：最优解时的目标值相等
3. 互补松弛条件验证：原始和对偶变量的乘积关系

4. 常见问题排查

4.1 单纯形法不收敛问题

4.2 对偶问题构建错误

初学者常犯的几个错误：

1. 混淆了对称形式和非对称形式的对偶转换规则
2. 忽略了自由变量对应的等式约束
3. 目标函数方向转换时符号处理错误

5. 算法优化实践

5.1 稀疏矩阵处理

当约束矩阵稀疏时，使用以下优化：

cpp复制// 使用稀疏矩阵存储
typedef triplet<double> Triplet;
vector<Triplet> coeffs; 

// 枢轴运算时只处理非零元素
for(auto& t : coeffs) {
    if(t.row != pivot_row && t.col == pivot_col) {
        double ratio = table[t.row][pivot_col];
        // 稀疏更新...
    }
}

5.2 灵敏度分析实战

单纯形法最终表包含丰富的灵敏度信息：

1. 目标函数系数允许变化范围
2. 右边项资源的变化影响
3. 新增变量或约束的边际效应

我在物流优化项目中就利用这些信息，为客户提供了原料采购的价格弹性建议。

6. 现代算法对比

与传统单纯形法相比，内点法在某些大规模问题上表现更好：

不过对于大多数中小规模问题，经过优化的单纯形法实现仍然是首选。我在GitHub上开源的Simplex++库就针对现代CPU架构进行了指令级优化。

7. 工程实践建议

1. 预处理很重要：消除冗余约束、缩放系数矩阵
2. 数值稳定性处理：使用LU分解维护基逆
3. 商业软件集成：CPLEX/Gurobi都提供API
4. 并行化机会：多线程处理枢轴运算

在最近的一个生产排程项目中，通过结合单纯形法和启发式规则，我们将计算时间从小时级缩短到分钟级。关键是在迭代过程中融入了领域知识，提前剪枝了不合理的搜索方向。

8. 扩展思考

单纯形法的思想可以推广到：

• 整数规划中的割平面法
• 随机规划中的Benders分解
• 鲁棒优化中的对偶转化

这些高级技术本质上都是在不同维度上运用了"迭代改进"和"对偶转换"的核心思想。掌握好这个基础习题，就拿到了打开优化算法大门的钥匙。