[论文解读] Geometric Duality for Convex Vector Optimization Problems

Frank Heyde|arXiv (Cornell University)|Sep 16, 2011

Advanced Optimization Algorithms Research参考文献 12被引用 8

一句话总结

本文通过利用Legendre-Fenchel共轭与二阶次微分，将几何对偶性理论从多目标线性规划推广至一般凸向量优化问题，建立了原始与对偶扩展像集之间极小面的包含反向、一一对应关系。关键贡献在于提出了一种广义对偶框架，保持了面维数互补性，并适用于非多面体、非多面体次序锥，且仅需最小的正则性假设。

ABSTRACT

Geometric duality theory for multiple objective linear programming problems turned out to be very useful for the development of efficient algorithms to generate or approximate the whole set of nondominated points in the outcome space. This article extends the geometric duality theory to convex vector optimization problems.

研究动机与目标

• 将几何对偶性理论从多面体多目标线性规划推广至具有非多面体、可能非实心次序锥的一般凸向量优化问题。
• 建立一种对偶框架，使原始与对偶像集的极小面之间保持包含反向、一一对应关系，超越线性情形。
• 利用二阶次微分，将对应面的维数互补性从线性情形推广至凸情形。
• 通过共轭函数的上图变换与结果空间中的极性关系，推导出对偶问题的表述形式。
• 将所提理论应用于线性向量优化问题时，可恢复并略微推广现有针对广义次序锥的结果，作为该理论的特例。

提出的方法

• 将凸向量优化问题的扩展像集转化为一个适当、闭合、凸函数 $ f $ 的上图，从而可应用凸分析工具。
• 通过Legendre-Fenchel共轭 $ f^* $ 定义对偶问题，其上图在适当变换下对应于对偶像集。
• 建立一个对偶映射 $ \widehat{\Psi} $，将对偶像集 $ \mathcal{D} $ 的所有 $ K $-极大暴露面映射为原始像集 $ \mathcal{P} $ 的所有相对 $ C $-极小暴露面，保持包含反向与双射性质。
• 利用二阶次微分与Dupin指标曲线，将线性情形下的面维数互补性推广至一般情形。
• 推导出 $ f $ 与 $ f^* $ 的二阶次微分之间的极性关系，表达为 $ \operatorname{Ind}_{\mathcal{D},-\operatorname{id}}(v|\eta^*(y)) = \left[\operatorname{Ind}_{\mathcal{P},T}(y|\eta(v))\right]^\circ $，该关系推广了线性情形下的维数互补性。
• 通过特化变换矩阵 $ T $、$ T^{-1} $ 与 $ c^* $，将该框架应用于线性向量优化问题，恢复已知的对偶结果作为特例。

实验结果

研究问题

• RQ1 如何将几何对偶性理论从多目标线性规划推广至具有非多面体像集的一般凸向量优化问题？
• RQ2 在凸情形下，原始与对偶像集极小面之间对偶映射的精确刻画是什么？
• RQ3 如何利用二阶次微分将对应面的维数互补性从线性情形推广至更一般情形？
• RQ4 Legendre-Fenchel共轭在构造对偶问题及建立结果空间中对偶关系方面起什么作用？
• RQ5 该理论能否恢复并扩展现有针对广义（非多面体、非实心）次序锥的线性向量优化对偶结果？

主要发现

• 本文建立了对偶映射 $ \widehat{\Psi} $，其为对偶像集 $ \mathcal{D} $ 的所有 $ K $-极大暴露面与原始像集 $ \mathcal{P} $ 的所有相对 $ C $-极小暴露面之间的包含反向、双射对应关系。
• 对于每对对应面 $ F^* \subset \mathcal{D} $ 与 $ \widehat{\Psi}(F^*) \subset \mathcal{P} $，其二阶次微分满足极性关系：$ \operatorname{Ind}_{\mathcal{D},-\operatorname{id}}(v|\eta^*(y)) = \left[\operatorname{Ind}_{\mathcal{P},T}(y|\eta(v))\right]^\circ $，该关系推广了线性情形。
• 当原始像集 $ \mathcal{P} $ 为多面体时，对偶像集 $ \mathcal{D} $ 也为多面体，且维数互补性成立：$ \dim F^* + \dim \widehat{\Psi}(F^*) = q - 1 $，从而扩展了经典的线性对偶性结果。
• 该框架适用于广义次序锥 $ K $，即使其内部为空，且不要求像集为多面体，显著拓宽了几何对偶性的适用范围。
• 该理论恢复并略微推广了已知的针对广义次序锥线性向量优化问题的对偶结果，例如在含交易成本的数学金融中出现的情形。
• 通过 $ T $、$ T^{-1} $ 与 $ c^* $ 的变换，可在线性情形下显式计算对偶像集 $ \mathcal{D} $，其表达式为 $ \mathcal{D} = \left\{ \begin{pmatrix} w \\ s \end{pmatrix} \;\big|\; c^*(w) \in C^+, s \leq \sup\{ b^T u \mid u \geq 0, A^T u = \Gamma^T c^*(w) \} \right\} $。