Relaxation lagrangienne

Étant donné un problème d'optimisation linéaire ${\displaystyle x\in \mathbb {R} ^{n}}$ et ${\displaystyle A\in \mathbb {R} ^{m,n}}$ sous la forme suivante :

max		${\displaystyle c^{T}x}$
s.c.
		${\displaystyle Ax\leqslant b}$

Si on sépare les contraintes de ${\displaystyle A}$ en ${\displaystyle A_{1}\in \mathbb {R} ^{m_{1},n}}$, ${\displaystyle A_{2}\in \mathbb {R} ^{m_{2},n}}$ avec ${\displaystyle m_{1}}$ et ${\displaystyle m_{2}}$ tels que ${\displaystyle m_{1}+m_{2}=m}$ on peut réécrire le système sous la forme :

max		${\displaystyle c^{T}x}$
s.c.
(1)		${\displaystyle A_{1}x\leqslant b_{1}}$
(2)		${\displaystyle A_{2}x\leqslant b_{2}}$

Supposons que les contraintes (2) soient difficiles, on les introduit dans la fonction objectif:

max		${\displaystyle c^{T}x+\lambda ^{T}(b_{2}-A_{2}x)}$
s.t.
(1)		${\displaystyle A_{1}x\leqslant b_{1}}$

Si ${\displaystyle \lambda =(\lambda _{1},\ldots ,\lambda _{m_{2}})}$ sont des pénalités positives, on est pénalisé si la contrainte (2) est violée. D'un autre côté, si on veut garder une fonction objectif linéaire, on est récompensé si on suit strictement la fonction objectif. Le système ci-dessus est appelé la relaxation lagrangienne du problème.

On cherchera alors à résoudre le dual de cette relaxation par différentes méthodes comme la méthode des faisceaux, la génération de colonnes ou la plus utilisée, la descente de sous-gradient et ses variations.

• Portail de l'analyse