如何通过Python的docplex打印线性规划的对偶模型？

docplex本身没有直接生成对偶模型的内置API，但可以通过提取原始模型的核心信息，根据线性规划的对偶规则手动构建并打印对偶模型。以下是具体实现步骤和示例：

步骤说明 #

1. 提取原始模型的目标类型（最大化/最小化）、约束的系数与右侧值、变量的边界信息。
2. 根据对偶规则映射对偶变量与约束：
   • 原始最大化模型 → 对偶最小化模型；原始最小化模型 → 对偶最大化模型。
   • 原始的<=约束对应对偶的非负变量；>=约束对应对偶的非正变量；等式约束对应对偶的自由变量。
   • 原始的非负变量对应对偶的>=约束；非正变量对应对偶的<=约束；自由变量对应对偶的等式约束。
3. 构建对偶模型后，通过print_information()或export_as_lp_string()方法输出模型。

代码示例 #

1. 先定义原始线性规划模型 #

from docplex.mp.model import Model

# 构建原始LP模型
original_model = Model(name="原始LP模型")
x1 = original_model.continuous_var(name="x1", lb=0)
x2 = original_model.continuous_var(name="x2", lb=0)

# 目标函数：最大化 3x1 + 4x2
original_model.maximize(3 * x1 + 4 * x2)

# 添加约束
original_model.add_constraint(2 * x1 + x2 <= 100, "c1")
original_model.add_constraint(x1 + x2 <= 80, "c2")
original_model.add_constraint(x1 <= 40, "c3")

2. 构建并打印对偶模型 #

# 初始化对偶模型
dual_model = Model(name="对偶LP模型")

# 根据原始约束定义对偶变量（原始为<=约束，对偶变量非负）
y1 = dual_model.continuous_var(name="y1", lb=0)  # 对应原始约束c1
y2 = dual_model.continuous_var(name="y2", lb=0)  # 对应原始约束c2
y3 = dual_model.continuous_var(name="y3", lb=0)  # 对应原始约束c3

# 对偶目标函数（最小化，系数为原始约束的右侧值）
dual_model.minimize(100 * y1 + 80 * y2 + 40 * y3)

# 根据原始变量定义对偶约束（原始变量非负，对偶约束为>=）
dual_model.add_constraint(2 * y1 + y2 + y3 >= 3, "对偶约束_x1")
dual_model.add_constraint(y1 + y2 >= 4, "对偶约束_x2")

# 打印对偶模型信息
print("对偶模型基本信息：")
dual_model.print_information()

print("\n对偶模型LP格式输出：")
print(dual_model.export_as_lp_string())

通用扩展说明 #

如果需要处理更复杂的原始模型（包含等式约束、自由变量等），只需调整对偶变量的边界和对偶约束的类型即可。例如：

• 原始等式约束 → 对偶变量设为自由变量（lb=-inf, ub=inf）
• 原始自由变量 → 对偶约束设为等式约束

内容的提问来源于stack exchange，提问作者mdslt