primal problem

原始问题 (Primal Problem)

原始问题是最优化理论与对偶理论中的核心概念，指决策者最初面对的直接优化问题。与之对应的是对偶问题——将原问题重新参数化后从另一视角求解。原始问题与对偶问题构成一对"镜像"，在微观经济学、线性规划和非线性规划中具有对称而互补的结构。

数学定义

考虑标准形式的约束优化问题：

其中 $\mathbf{x} \in \mathbb{R}^n$ 为决策变量，$f$ 为目标函数，$g_i$ 为不等式约束，$h_j$ 为等式约束。此即原始问题（Primal Problem）的标准表述。定义域为 $D = \bigcap_{i=0}^{m} \operatorname{dom} g_i \cap \bigcap_{j=1}^{p} \operatorname{dom} h_j$，其中 $g_0 = f$。原始问题的最优值记为 $p^* = \inf\{f(\mathbf{x}) \mid g_i(\mathbf{x}) \leq 0, h_j(\mathbf{x}) = 0\}$。

经济学中的原始-对偶框架

微观经济学中，原始问题与对偶问题构成分析消费者行为和厂商行为的统一框架：

1. 消费者理论： 原始问题（效用最大化）： \[ \max_{\mathbf{x}} u(\mathbf{x}) \quad \text{s.t.} \quad \mathbf{p} \cdot \mathbf{x} \leq m \] 给定预算 $m$ 与价格 $\mathbf{p}$，求最优消费束 $\mathbf{x}^*(\mathbf{p}, m)$（马歇尔需求），得间接效用函数 $v(\mathbf{p}, m)$。 对偶问题（支出最小化）： \[ \min_{\mathbf{x}} \mathbf{p} \cdot \mathbf{x} \quad \text{s.t.} \quad u(\mathbf{x}) \geq \bar{u} \] 给定目标效用 $\bar{u}$ 与价格 $\mathbf{p}$，求最优消费束 $\mathbf{h}^*(\mathbf{p}, \bar{u})$（希克斯需求），得支出函数 $e(\mathbf{p}, \bar{u})$。 两者通过恒等式联结：$\mathbf{x}^*(\mathbf{p}, m) = \mathbf{h}^*(\mathbf{p}, v(\mathbf{p}, m))$，$\mathbf{h}^*(\mathbf{p}, \bar{u}) = \mathbf{x}^*(\mathbf{p}, e(\mathbf{p}, \bar{u}))$。
2. 厂商理论： 原始问题（利润最大化）： \[ \max_{\mathbf{y}} \mathbf{p} \cdot \mathbf{y} - \mathbf{w} \cdot \mathbf{x} \quad \text{s.t.} \quad \mathbf{y} \in Y(\mathbf{x}) \] 或等价地，原始问题也可视为成本最小化： \[ \min_{\mathbf{x}} \mathbf{w} \cdot \mathbf{x} \quad \text{s.t.} \quad f(\mathbf{x}) \geq q \] 得条件要素需求 $\mathbf{x}^*(\mathbf{w}, q)$ 与成本函数 $C(\mathbf{w}, q)$。

拉格朗日对偶

对于任意原始问题，构造拉格朗日函数：

其中 $\lambda_i \geq 0$ 为不等式约束的拉格朗日乘子，$\nu_j \in \mathbb{R}$ 为等式约束的乘子。定义拉格朗日对偶函数：

对偶函数为原始问题最优值的下界：对任意 $\boldsymbol{\lambda} \geq \mathbf{0}$ 与 $\boldsymbol{\nu}$，恒有 $q(\boldsymbol{\lambda}, \boldsymbol{\nu}) \leq p^*$。此即弱对偶性（Weak Duality）——无需任何凸性假设即成立。

强对偶与约束规格

对偶问题为 $\max_{\boldsymbol{\lambda} \geq \mathbf{0}, \boldsymbol{\nu}} q(\boldsymbol{\lambda}, \boldsymbol{\nu})$，记最优值为 $d^*$。弱对偶性保证 $d^* \leq p^*$。当 $d^* = p^*$ 时，称强对偶性（Strong Duality）成立→原始问题与对偶问题的最优值一致→可通过求解对偶间接解决原始问题。

强对偶性的成立需要约束规格（Constraint Qualification）——排除退化情形：

• Slater条件：若原始问题为凸优化（$f$ 与 $g_i$ 为凸函数，$h_j$ 为仿射函数），且存在严格可行点 $\mathbf{x} \in \operatorname{relint} D$ 满足 $g_i(\mathbf{x}) < 0$（对所有不等式约束）与 $h_j(\mathbf{x}) = 0$→则强对偶成立。
• 线性规划：对于线性规划，只要原始问题可行且有限，强对偶自动成立——无需额外约束规格。
• KKT条件：当原始问题为凸且可微时，KKT条件是原始最优解与对偶最优解的充要条件。KKT条件同时刻画了原始变量、对偶变量（拉格朗日乘子）与互补松弛性之间的关系。

原始-对偶关系一览

| 属性 | 原始问题 (Primal) | 对偶问题 (Dual) | |---|---|---| | 优化方向 | 最小化 $f(\mathbf{x})$ | 最大化 $q(\boldsymbol{\lambda}, \boldsymbol{\nu})$ | | 变量 | $\mathbf{x} \in \mathbb{R}^n$ | $\boldsymbol{\lambda} \in \mathbb{R}^m_+, \boldsymbol{\nu} \in \mathbb{R}^p$ | | 约束 | $g_i \leq 0, h_j = 0$ | $\boldsymbol{\lambda} \geq \mathbf{0}$ | | 最优值 | $p^*$ | $d^*$ | | 弱对偶 | $p^* \geq d^*$ | (始终成立) | | 强对偶 | $p^* = d^*$ | (需约束规格) |

经济学解释

拉格朗日乘子 $\lambda_i$ 在经济学中具有明确含义：它度量了约束的影子价格（Shadow Price）——放松一单位约束 $g_i(\mathbf{x}) \leq 0$ 对目标函数最优值的边际贡献。在消费者理论中，货币的边际效用即为预算约束的影子价格；在成本最小化中，拉格朗日乘子等于边际成本。

此外，原始-对偶框架直接导出包络定理：最优值函数关于参数的导数等于拉格朗日函数对同一参数的偏导数（在最优解处取值）。这为比较静态分析提供了强大工具——例如，罗伊恒等式将马歇尔需求与间接效用函数联系起来，谢泼德引理将希克斯需求与支出函数联系起来，二者皆源于对偶关系。

应用扩展

原始-对偶框架超越了微观经济学的基础范围：

• 拍卖理论与机制设计：激励相容约束下委托人最大化期望收益为原始问题，其对偶问题刻画了信息租与配置效率的权衡（Myerson拍卖设计）。
• 资产定价：CAPM中投资者在预算约束下最大化期望效用→原始问题；其对偶形式导出随机贴现因子与无套利条件。
• 一般均衡：阿罗-德布鲁经济中，消费者与厂商各自求解原始问题，市场价格（拉格朗日乘子）由瓦尔拉斯均衡同时决定——价格系统同时出现在所有人的对偶问题中，市场出清等价于对偶可行性。

原始问题与对偶问题的对称结构不仅是数学上的便利，更深刻反映了经济学中稀缺性与配置效率的核心逻辑：每一个约束的"价格"（乘子）正是该约束在经济意义上的机会成本。