跳到主要內容

[最佳化] 淺談線性規劃(1)- Feasible solution and Basic solution

延續上一篇 [最佳化] 淺談線性規劃(0)- Standard form of Linear Programming,這次要跟大家介紹 線性規劃(LP)問題的求解。由先前介紹我們知道,對任意含有線性不等式拘束的LP問題都可以將其轉換成標準型式的LP問題。亦即含有 等式拘束的LP問題。

\[\begin{array}{l}
\min {c^T}x\\
s.t.\\
\left\{ \begin{array}{l}
Ax = b,\\
x \ge 0
\end{array} \right.
\end{array}\]其中 $A$ 為 $m \times n$ 矩陣且 $n>m$, $rank(A) = m$,$A$ 沒有全為零的column$;b \geq 0$,

在介紹之前要先介紹兩種解的概念

============================
Definition: (Feasible solution and Basic solution)
一個向量 $x \in \mathbb{R}^n$ 稱作 可行解(Feasible solution),如果其滿足拘束條件,亦即 $x \geq 0$ 且 $Ax=b$
一個向量 $x \in \mathbb{R}^n$ 稱作對 $Ax=b$ 的 基本解( Basic Solution) ,若 $x$中 nonzero component 對應到$A$矩陣的線性獨立 Columns。
============================

先給個例子看看這兩種解有甚麼不同

Example
考慮下列拘束條件 $Ax=b$:
\[\left[ {\begin{array}{*{20}{c}}
1&2&{ - 2}\\
1&3&{ - 2}
\end{array}} \right]\left[ {\begin{array}{*{20}{c}}
{{x_1}}\\
{{x_2}}\\
{{x_3}}
\end{array}} \right] = \left[ {\begin{array}{*{20}{c}}
1\\
1

\end{array}} \right]\]
觀察上式,為三個變數兩個拘束條件,故可以任意其中一個變數可被任意給定。另外我們發現$A$中的第一個column 與 第三個 column 彼此線性相關。故現在如果我們選 $x_2=0$取 第一個column 與 第三個 column ,會得到一個解
\[ \Rightarrow \left[ {\begin{array}{*{20}{c}}
{{x_1}}\\
{{x_2}}\\
{{x_3}}
\end{array}} \right] = \left[ {\begin{array}{*{20}{c}}
3\\
0\\
1
\end{array}} \right]\]
由於此解$\left[ {\begin{array}{*{20}{c}}
{{x_1}}\\
{{x_2}}\\
{{x_3}}
\end{array}} \right] = \left[ {\begin{array}{*{20}{c}}
3\\
0\\
1
\end{array}} \right]$滿足拘束條件,故我們說此解為 Feasible solution,但是其中非零的元素
\[\left[ {\begin{array}{*{20}{c}}
{{x_1}}\\
{}\\
{{x_3}}
\end{array}} \right] = \left[ {\begin{array}{*{20}{c}}
3\\
{}\\
1
\end{array}} \right]\]對應到矩陣$A$的column彼此為線性相關,故此解並非Basic solution。
也就是說 Feasible Solution $\nRightarrow$ Basic Solution。

再來如果我們選 矩陣$A$的第二個 Column 與 第三個Column (彼此線性獨立),且令 $x_1 =0$,則我們得到 Basic Solution如下
\[\left\{ \begin{array}{l}
{x_1} = 0\\
2{x_2} - 2{x_3} = 1\\
3{x_2} - 2{x_3} = 1
\end{array} \right. \Rightarrow \left[ {\begin{array}{*{20}{c}}
{{x_1}}\\
{{x_2}}\\
{{x_3}}
\end{array}} \right] = \left[ {\begin{array}{*{20}{c}}
0\\
0\\
{ - 1/2}
\end{array}} \right]\]
但注意到此解第三個element為負
\[\left[ {\begin{array}{*{20}{c}}
{{x_1}}\\
{{x_2}}\\
{{x_3}}
\end{array}} \right] = \left[ {\begin{array}{*{20}{c}}
0\\
0\\
{ - 1/2}
\end{array}} \right]\]
亦即,不符合 Feasbility,故可得到

Basic Solution $\nRightarrow$ Feasible Solution

那麼我們要的是甚麼??
我們要的是 Basic 且 Feasible 的Solution。下面的定理告訴我們標準型式的線性規劃問題如何才能確保可以得到 Basic + Feasible的Solution。

=================================
Theorem:
考慮標準型式的線性規劃 (Standard LP)問題

令 $x \in \mathbb{R}^n$,
\[\begin{array}{l}
\min {c^T}x\\
s.t.\\
\left\{ \begin{array}{l}
Ax = b,\\
x \ge 0
\end{array} \right.
\end{array}\]其中 $A$ 為 $m \times n$ 矩陣且 $n>m$, $rank(A) = m$,$A$ 沒有全為零的column$;b \geq 0$,
若其具備一個 Feasible Solution,則必有一個 Basic + Feasible 的解
=================================

Proof
假設$x \in \mathbb{R}^n$ 為 Standard LP的一個Feasible soltuion,我們要證明必有一個 Basic + Feasible的解。

為方便起見,我們說 $x$ 有 p個nonzero 元素,亦即 $x_1, x_2, ...x_p$。因為$x$已為 Feasible,故我們只須證明$x$是Basic solution。亦即須證明 非零的元素對應$A$中線性獨立的Columns $a^1, a^2,...a^p$

現在考慮下面兩種情況

CASE1
若$x$中非零的元素$x_1, x_2, ...x_p$ 對應 $A$中的Columns $a^1, a^2,...a^p$ 為線性獨立。則$x$即為 Feasible + Basic Solution。

CASE2
若$x$中非零的元素$x_1, x_2, ...x_p$ 對應 $A$中的Columns $a^1, a^2,...a^p$ 為線性相關。則由線性相關的定義可知:存在一組不全為零的 $y_1, y_2,...y_p$ 為實數純量使得下列線性組合
\[
\sum_{i=1}^p y_i a^i =0 \ \ \ \ (*)
\]現在令 $\varepsilon >0$,定義下列向量 $\eta^{\varepsilon} $
\[\eta _i^\varepsilon : = \left\{ \begin{array}{l}
{x_i} - \varepsilon {y_i}, \ \text{ for $i \le p$}\\
0, \ \text{for $i > p$}
\end{array} \right.\]
則若$\varepsilon$足夠小的時候,我們說 $\eta _i^\varepsilon $ 為 Feasible

WHY?

因為如果$\varepsilon =0 \Rightarrow \eta _i^\varepsilon = x_i \Rightarrow x_i$ 為 Feasible (by Definition of $x$)
如果  $\varepsilon $ 非常小,則由拘束條件
\[
A \cdot \eta^{\varepsilon} = A (x - \varepsilon y) = Ax - A \varepsilon y
\]
由線性相關的結果 $(*)$可知,$A \varepsilon y =0$,亦即上式變為
\[
A \cdot \eta^{\varepsilon} = Ax = b
\]
符合拘束條件,故若$\varepsilon$足夠小的時候,我們說 $\eta _i^\varepsilon $ 為 Feasible。

所以現在問題變成那麼可以挑選多大的$\varepsilon$仍可使得$\eta^{\varepsilon}$ 為 Feasible?

我們把此$\varepsilon$ 稱作 $\varepsilon^*$
$(\star)$定義
\[\varepsilon^* : = \mathop {\min }\limits_i \left\{ {\frac{{{x_i}}}{{{y_i}}}:{y_i} > 0} \right\}
\]則$\eta^{\varepsilon^*}$為 Feasible,且最多$p-1$非零Columns,
$a^1, a^2, ... a^{p-1}$

若此組 Columns為線性獨立,則$\eta^{\varepsilon^*}$為Basic。亦即
$\eta^{\varepsilon^*}$為Basic + Feasible。則我們得到欲證明的結果。

反之若Columns $a^1, a^2, ... a^{p-1}$ 仍 為線性相關,則我們重複上述的演算步驟 $(\star)$,得到
${{\tilde \eta }^{{\varepsilon ^*}}}$為Feasible且最多$p-2$非零Columns。

不斷重複上述步驟,最終我們會落到某個$x$ 且只有一個非零元素。
又因為 $A$ 沒有全為零的column,故其必為線性獨立。亦即
$x$ 為 Basic Solution。
且由假設 $x$ 為Feasible,故 $x$ 為 Feasible + Basic。至此證明完畢。


ref: E. K. P. Chong, S. H. Zak, An Introduction to Optimization 2nd, Chapter 15.

==============
延伸閱讀
[最佳化] 淺談線性規劃(0)- Standard form of Linear Programming

[最佳化] 淺談線性規劃(1)- Feasible solution and Basic solution

[最佳化] 淺談線性規劃(2)- Optimality Theorem

[最佳化] 淺談線性規劃(3)- Geometric View of LP

[最佳化] 淺談線性規劃(4)- How to move from one Basic Feasible solution to another- An Example

留言

這個網誌中的熱門文章

[數學分析] 什麼是若且唯若 "if and only if"

數學上的 if and only if  ( 此文不討論邏輯學中的 if and only if,只討論數學上的 if and only if。) 中文翻譯叫做  若且唯若 (or 當且僅當) , 記得當初剛接觸這個詞彙的時候,我是完全不明白到底是甚麼意思,查了翻譯也是愛莫能助,畢竟有翻跟沒翻一樣,都是有看沒有懂。 在數學上如果看到 if and only if  這類的句子,其實是表示一種 雙條件句 ,通常可以直接將其視為" 定義(Definition)" 待之,今天要分享的是這樣的一個句子如何用比較直觀的方法去看他 假設我們現在有 兩個邏輯陳述句 A 與  B. 注意到,在此我們不必考慮這兩個陳述句到底是什麼,想表達什麼,或者到底是否為真(true),這些都不重要。只要知道是兩個陳述即可。 現在,考慮新的陳述:  "A if and only if B" 好了,現在主角登場,我們可以怎麼看待這個句子呢? 事實上我們可以很直覺的把這句子拆成兩部分看待,也就是 "( A if B ) and ( A only if B )" 那麼先針對第一個部分  A if B  來看, 其實這句就是說  if B then A, 更直白一點就是 "if B is true, then A is also true".  在數學上等價可以寫為 "B implies A" .  或者更常用一個箭頭符號來表示 "B $\Rightarrow$  A"  現在針對第二個部分  A only if B 此句意指  "If B is not true, then A is also not true". 所以如果已知 A is true,  那麼按照上句不難推得 B is also true 也就是說  A only if B  等價為 "If A is true then B is also true". 同樣,也可以寫作   "A implies B"   或者用箭頭表示  "A   $\Rightarrow$     B".

[數學分析] 淺談各種基本範數 (Norm)

這次要介紹的是數學上一個重要的概念: Norm: 一般翻譯成 範數 (在英語中 norm 有規範的意思,比如我們說normalization就是把某種東西/物品/事件 做 正規化,也就是加上規範使其正常化),不過個人認為其實翻譯成 範數 也是看不懂的...這邊建議把 Norm 想成長度就好 (事實上norm是長度的抽象推廣), 也許讀者會認為好端端的長度不用,為何又要發明一個 norm 來自討苦吃?? 既抽象又艱澀。 事實上想法是這樣的: 比如說現在想要比較兩個數字 $3$ , $5$ 之間的大小,則我們可以馬上知道 $ 3 < 5 $;同樣的,如果再考慮小數與無理數如 $1.8753$ 與 $\pi$,我們仍然可以比較大小 $1.8753 < \pi = 3.1415...$ 故可以發現我們有辦法對 "純量" 做明確的比大小,WHY? 因為前述例子中 $3$, $5$, $1.8753$ or $\pi$ 其各自的大小有辦法被 "measure "! 但是如果是現在考慮的是一組數字 我們如何去measure 其大小呢?? 比如說 \[x:=[1, -2, 0.1, 0 ]^T \]上式的大小該是多少? 是 $1$? $-2$? $0.1$??? 再者如果更過分一點,我們考慮一個矩陣 \[A = \left[ {\begin{array}{*{20}{c}} 1&2\\ 3&4 \end{array}} \right] \],想要知道這個矩陣的大小又該怎麼辦?? 是 $1$ ? $2$ 還是 $4$ ?..其實現階段我們說不清楚。 也正是如此,可以發現我們確實需要新的 "長度" 的定義來幫助我們如何去 measure 矩陣/向量/甚至是函數的大小。 故此,我們首先定義甚麼是Norm,(也就是把 "長度" or "大小" 的本質抽離出來) ================== Definition: Norm 考慮 $V$ 為一個向量空間(Vector space),則我們說  Norm 為一個函數 $||\cdot|| : V \rightarrow \mathbb{R}$ 且滿足下列性質