finale Version des Vorlesungsskripts - ZIB
finale Version des Vorlesungsskripts - ZIB
finale Version des Vorlesungsskripts - ZIB
Sie wollen auch ein ePaper? Erhöhen Sie die Reichweite Ihrer Titel.
YUMPU macht aus Druck-PDFs automatisch weboptimierte ePaper, die Google liebt.
11.4 Der Dualitätssatz der linearen Programmierung<br />
Satz (11.10) folgt aus (11.9), wenn man sich überlegt, dass für ein Polytop P = {x |<br />
Ax = a, Bx ≤ b} mit der Eigenschaft, dass keine der Ungleichungen in Bx ≤ b durch<br />
alle Punkte aus P mit Gleichheit erfüllt ist, das relativ Innere von P genau die Menge<br />
{x | Ax = a, Bx < b} ist.<br />
11.4 Der Dualitätssatz der linearen Programmierung<br />
In Satz (2.12) haben wir bereits den sogenannten schwachen Dualitätssatz angegeben und<br />
bewiesen. Die Gleichheit der optimalen Zielfunktionswerte kann man (unter anderem) mit<br />
Hilfe <strong>des</strong> Farkas-Lemmas beweisen. Man kann den (nachfolgend formulierten) Dualitätssatz<br />
als eine Optimierungsversion <strong>des</strong> Farkas-Lemmas ansehen. Beide Sätze sind in dem<br />
Sinne äquivalent, dass der eine ohne Mühe aus dem anderen gefolgert werden kann und<br />
umgekehrt. So wie das Farkas Lemma für die Polyedertheorie von zentraler Bedeutung<br />
ist, ist der Dualitätssatz von außerordentlicher Tragweite in der linearen Optimierung<br />
und zwar sowohl in algorithmisch-praktischer als auch in theoretischer Hinsicht. Wenn<br />
man heutzutage in mathematischen (Forschungs-)Aufsätzen einen Satz wie „. . . it follows<br />
by an LP-argument . . . “ liest, dann heißt das so gut wie immer, dass der Dualitätssatz<br />
in einer seiner <strong>Version</strong>en geschickt anzuwenden ist.<br />
Wir wollen zunächst das folgende lineare Programm<br />
max c T x<br />
Ax ≤ b<br />
(11.11)<br />
wobei A ∈ K (m,n) , b ∈ K m und c ∈ K n gegeben sind, untersuchen. Unsere Aufgabe<br />
besteht darin, unter den Vektoren x ∈ K n , die zulässig für (11.11) sind, d. h. die Ax ≤ b<br />
erfüllen, einen Vektor x ∗ ∈ K n zu finden, der optimal ist, d. h. c T x ∗ ≥ c T x für alle zulässigen<br />
x. In Kapitel 2 haben wir bereits eine Motivation für die Dualitätstheorie gegeben,<br />
hier wollen wir noch einen weiteren Zugang beschreiben. Zunächst wollen wir (11.11)<br />
polyedrisch darstellen. Wir führen dazu eine neue Variable z ein und schreiben (11.11)<br />
in der Form<br />
max z<br />
<br />
1 −cT z<br />
≤<br />
0 A x<br />
<br />
0<br />
b<br />
(11.12)<br />
Daraus folgt, dass je<strong>des</strong> lineare Programm in ein LP umgeformt werden kann, bei dem<br />
lediglich Lösungsvektoren gesucht werden, deren erste Komponente so groß wie möglich<br />
ist. Schreiben wir (11.12) noch einmal um und bringen wir z auf die rechte Seite, so<br />
kann (11.12) folgendermaßen geschrieben werden.<br />
max z<br />
<br />
−cT −z<br />
x ≤<br />
A b<br />
(11.13)<br />
207