[论文解读] A penalization approach to linear programming duality with application to capacity constrained transport

Jonathan Korman, Robert J. McCann+1 more|arXiv (Cornell University)|Sep 12, 2013

Optimization and Variational Analysis参考文献 9被引用 3

一句话总结

本文提出了一种基于惩罚的线性规划对偶性新方法，通过二次正则化建立原始解与对偶解之间的仿射关系。该方法通过将约束问题近似为一系列惩罚子问题，提供了一种新的、初等的证明方法，用于 Levin 的容量约束最优传输对偶性，表明当惩罚参数趋于零时，解和对偶间隙均收敛至零。

ABSTRACT

A new approach to linear programming duality is proposed which relies on quadratic penalization, so that the relation between solutions to the penalized primal and dual problems becomes affine. This yields a new proof of Levin's duality theorem for capacity-constrained optimal transport as an infinite-dimensional application.

研究动机与目标

• 通过二次惩罚方法，以比传统基于 Hahn–Banach 定理的极小化极大论证更初等的方式，推导线性规划对偶性。
• 将 Levin 的对偶定理应用于容量约束最优传输问题，作为该惩罚框架在无限维情形下的应用。
• 证明当惩罚参数趋于零时，惩罚后的原始与对偶问题的解收敛至原始最优传输问题的解。
• 通过结合附录论文中的结果，提供 Kantorovich 对偶性的新初等证明。
• 证明在紧支集容量约束下，对偶间隙在极限下趋于零，从而确保强对偶性成立。

提出的方法

• 通过在对偶变量中添加二次项，引入容量约束最优传输问题的惩罚版本，以松弛边缘约束。
• 定义惩罚后的对偶泛函 $ J^\varepsilon(u,v,w) = -\langle uf\rangle - \langle vg\rangle + \langle\langle w\overline{h}\rangle\rangle + \varepsilon\|u\|_2^2 + \varepsilon\|v\|_2^2 $，其中 $ \varepsilon > 0 $ 控制惩罚强度。
• 证明惩罚后对偶问题的解 $ (u_\varepsilon, v_\varepsilon, w_\varepsilon) $ 满足最优性条件 $ (c + u_\varepsilon + v_\varepsilon - w_\varepsilon)h_\varepsilon \equiv 0 $ 与 $ w_\varepsilon(\overline{h} - h_\varepsilon) \equiv 0 $，通过互补性将原始变量与对偶变量联系起来。
• 证明原始解序列 $ \{h_\varepsilon\} $ 在 $ L^\infty $-弱-* 拓扑下为预紧集，并收敛至原问题的极小化元 $ h_0 $。
• 证明当 $ \varepsilon \downarrow 0 $ 时，对偶间隙趋于零，且满足 $ \varepsilon\|u_\varepsilon\|_2^2 \to 0 $ 与 $ \varepsilon\|v_\varepsilon\|_2^2 \to 0 $，从而确保 $ \lim_{\varepsilon\downarrow 0} J(u_\varepsilon, v_\varepsilon, w_\varepsilon) = I_c(h_0) $。
• 利用弱-* 收敛性与变分法基本引理，验证极限 $ h_0 $ 满足边缘约束 $ \langle h_0\rangle_x = f $ 与 $ \langle h_0\rangle_y = g $。

实验结果

研究问题

• RQ1 能否使用二次惩罚方法以比传统极小化极大或基于 Hahn–Banach 定理的证明更初等的方式推导线性规划对偶性？
• RQ2 惩罚后的对偶问题是否能产生收敛至真实最优传输方案的解，当惩罚参数 $ \varepsilon \to 0 $ 时？
• RQ3 该惩罚框架能否用于重新证明在紧支集容量边界下 Levin 的对偶定理？
• RQ4 在惩罚公式中，对偶间隙的行为如何？其在极限下是否趋于零？
• RQ5 惩罚问题中原始解与对偶解之间的仿射关系如何促进强对偶性的推导？

主要发现

• 惩罚后的对偶泛函 $ J^\varepsilon $ 在 $ u $ 与 $ v $ 上严格凸，对每个 $ \varepsilon > 0 $ 确保唯一解 $ (u_\varepsilon, v_\varepsilon, w_\varepsilon) $。
• 惩罚后原始问题的解 $ h_\varepsilon $ 满足 $ \|f - \langle h_\varepsilon\rangle_x\|_{L^2}^2 + \|g - \langle h_\varepsilon\rangle_y\|_{L^2}^2 \leq 2\varepsilon \langle\langle c\tilde{h}_0\rangle\rangle $，证明当 $ \varepsilon \to 0 $ 时边缘分布收敛至 $ f $ 与 $ g $。
• 序列 $ \{h_\varepsilon\} $ 的任意弱-* 收敛子列的极限 $ h_0 $ 是原始容量约束最优传输问题的极小化元。
• 对偶间隙在极限下趋于零：$ \lim_{\varepsilon\downarrow 0} \varepsilon\|u_\varepsilon\|_2^2 = 0 $ 与 $ \lim_{\varepsilon\downarrow 0} \varepsilon\|v_\varepsilon\|_2^2 = 0 $，确保 $ \lim_{\varepsilon\downarrow 0} J(u_\varepsilon, v_\varepsilon, w_\varepsilon) = I_c(h_0) $。
• 序列 $ \{h_\varepsilon\} $ 在 $ L^\infty $-弱-* 拓扑下为预紧集，且每个极限点均满足边缘约束与容量约束。
• 恒等式 $ J(u_\varepsilon, v_\varepsilon, w_\varepsilon) = I_c(h_\varepsilon) + \varepsilon\|u_\varepsilon\|_2^2 + \varepsilon\|v_\varepsilon\|_2^2 $ 将惩罚后对偶值与原始代价及惩罚项联系起来，从而支持收敛性分析。