1 对偶与可行性的基本关系
1.1 对偶问题的概念
在运筹优化与凸优化中，对偶性是把“原问题”的求解转化为另一个“对偶问题”的常见方法。对偶问题通常引入一组对偶变量，并通过拉格朗日型构造把原问题的约束以代数形式嵌入。对偶与原问题并不总是等价，但它们之间存在稳定的比较关系，例如对偶目标往往给出原问题目标的上下界。
1.2 可行性的含义：约束满足而非最优
所谓对偶可行性，核心在于：对偶变量取到一组数值后，对偶问题的约束条件是否被满足。可行性只涉及“约束有没有满足”，并不直接意味着对偶目标已取得最优值。换言之，一个对偶解可以满足对偶约束，因此在数学上是“合法的候选对偶解”，但其目标值仍可能离最优较远。
1.3 对偶变量与对偶约束的直观解释
对偶变量可被理解为原问题约束的“影子价格”或“灵敏度系数”，它们通过拉格朗日函数把约束的影响编码进对偶表达式。对偶约束则对应于：为了让某种“下界/上界构造”在数学上成立，对偶变量必须满足的可行条件。直观上，对偶约束确保对偶构造不会“违背”原问题结构，从而使得对偶目标能可靠地对原问题形成界。
2 形式化定义（以一般优化问题为框架）
2.1 对偶可行集的构造
考虑一般形式的优化问题。构造对偶问题时，通常先写出拉格朗日函数，把原问题约束引入拉格朗日乘子（即对偶变量）。随后，对偶可行集通过下列步骤形成：对偶变量需要满足与拉格朗日乘子相关的符号限制（例如对不等式约束的乘子非负性）、以及由“对原变量求下确界/上确界”过程导致的条件。最终形成一组满足全部对偶约束的对偶变量集合。
2.2 对偶可行域的性质
对偶可行域常具有凸性，这与原问题的凸结构以及拉格朗日函数的下确界/上确界性质有关。在凸优化中，这一可行域通常是闭的或半闭的集合（具体取决于约束形式与函数正则性）。对偶可行域的凸性使得对偶问题能够以凸优化方式求解，并便于讨论其收敛性质与误差度量。
2.3 对偶目标与可行性的关系
对偶目标函数的定义依赖对偶变量，而对偶约束确保该目标在数学上对应到原问题目标的有效界。通常，在弱对偶框架下，只要对偶变量可行，就能保证对偶目标不会超过（或不会低于）原问题最优值，从而形成下界或上界。因此，对偶可行性不仅是技术条件，也直接决定对偶目标是否具有“可作为界”的解释。
3 在线性规划中的对偶可行性
3.1 线性规划原问题与对偶问题回顾
线性规划常写作：原问题以线性目标函数优化线性约束；对偶问题则把原问题的约束系数和变量角色互换，并引入对偶变量。对偶变量对应原问题约束的数量（以及约束类型），并且其可行条件往往体现为一组线性不等式。在线性规划中，对偶可行性通常表现得非常直接，便于计算与验证。
3.2 对偶约束如何对应原问题的结构
在线性对偶中，对偶约束通常与原问题的变量维度相匹配。例如，对偶变量乘以原约束矩阵后，会形成对原目标系数的线性上界或下界关系。其本质在于：为了让对偶构造对原问题形成正确比较，对偶变量必须使得与原变量相关的表达式在所有原变量取值下不会“破坏”界的方向。由于线性结构，这种对应关系可以用简单的代数不等式表示。
3.3 典型可行性条件与符号约定
线性规划的对偶可行条件常包括两类内容：一是对偶变量的符号约束（例如来源于原问题不等式约束的方向，导致对偶变量需非负或非正）；二是对偶约束本身（线性不等式或等式），其方向取决于原问题变量的类型（自由变量、非负变量等）。在具体教材中，最大化与最小化的符号约定不同可能造成对偶不等式方向的表述差异，但“可行性=满足对偶约束”的判定逻辑不变。
3.4 对偶可行性对下界的意义
在弱对偶语境下，对偶可行意味着对偶目标值对原问题最优值构成下界或上界。以典型情形为例：若原问题是最小化，则可行的对偶解往往给出原问题最优值的下界；反之，若原问题是最大化则给出上界。对偶可行性因此成为一种“只要算得出就能验证”的质量指标：即使对偶目标并未达到最优，只要可行，它仍然是可信界的来源。
4 在凸优化中的对偶可行性
4.1 凸对偶的一般表述
凸优化中，对偶问题通常通过拉格朗日对偶框架得到。对于带不等式与等式约束的凸问题，拉格朗日乘子与约束类型对应，形成对偶函数，并进一步定义对偶优化问题。对偶可行性对应“乘子满足符号与结构条件，使得对偶函数处处/特定形式下有意义且不违背推导”。在很多凸问题里，凸对偶可行域仍是凸集合，从而对偶可行性与凸性紧密耦合。
4.2 约束正则性对对偶可行性的影响（概念层面）
严格从“可行性”的定义来看，对偶可行与否主要由对偶约束决定；但在更深层的理论后果中，约束的正则性会影响对偶间隙是否为零、以及对偶解是否能刻画原问题最优性。概念层面上，良好的约束正则性往往意味着：对偶可行域的表达不会“退化”，从而使对偶构造更能反映原问题的真实难度。若正则性不佳，可能出现对偶最优值与原问题最优值不能完全对齐的情况，从而让“可行的对偶解”仍能给界，但最优性解释变得更复杂。
4.3 拉格朗日乘子与对偶可行性
在凸优化里，拉格朗日乘子（对偶变量）扮演核心角色。其可行性通常要求与不等式约束方向一致的符号条件，并可能还包含来自对原变量消去步骤所产生的条件。对偶可行的拉格朗日乘子意味着：由它生成的拉格朗日下界或上界在数学上成立，因而可用于比较原目标值。与此同时，乘子的数值大小常与约束“活跃程度”相关，这也为算法中的诊断提供了直观依据。
5 对偶可行性的理论后果
5.1 弱对偶：目标值下界与上界关系
弱对偶指出：在一般情形下，原问题最优值与对偶问题最优值之间存在单向界。其关键前提往往是“对偶变量可行”。因此，对偶可行性在弱对偶中承担基础角色：一组对偶可行解就对应一个有效界；对偶最优则给出最紧的界。由此，对偶可行性不仅是“形式正确”，更能被用于推断原问题解的目标值区间。
5.2 强对偶与零对偶间隙的条件（概念层面）
强对偶讨论的是原问题最优值与对偶最优值是否相等，也即对偶间隙是否为零。通常需要一定的条件（例如凸性结构与约束正则性）。从概念上讲，当满足这些条件时，对偶可行性不仅带来界，而且界能够“被逼紧”，从而使对偶最优与原最优一致。此时，寻找对偶可行解并提高其目标质量，就更可能直接导向原问题的最优解刻画。
5.3 互补松弛与“可行但何以最优”
互补松弛是把“可行”和“最优”联系起来的重要桥梁。即使对偶可行解已经保证形成正确界，要进一步说明原问题也达到最优，往往需要互补条件将两边的“紧约束部分”对应起来。互补松弛的直观含义是：对偶变量对应的约束项要么在原解中紧活跃，要么其乘子权重为零。这样，界的构造才能在最优点处达到平衡。由此可见：对偶可行只是第一步，互补松弛帮助解释“为什么这组可行解刚好就是最优”。
6 算法中的用途与实践
6.1 对偶可行性检查与投影思想（概念层面）
在数值算法中，对偶变量往往并不会从一开始就严格满足所有对偶约束。实践中常见做法是：在迭代过程中对对偶变量进行校正，使其满足可行条件。校正手段可视为“投影”或“可行性修复”，具体形式取决于对偶约束集合的几何结构。例如，对偶约束是凸集合时，可以利用最小范数投影获得一组满足约束的对偶变量。其目的在于确保对偶目标在每一步都保持“可作为界”的解释。
6.2 作为收敛判据：可行性误差度量
很多算法以原变量和对偶变量的“可行性误差”为停止准则之一。所谓可行性误差通常用约束残差或违反程度来度量，例如不等式约束的正残差大小、等式约束的偏差范数等。对于对偶可行性，类似地可以度量对偶约束被违反的程度。误差随迭代下降表明对偶解逐渐进入对偶可行域，从而增强其形成界的可信度，并与目标值收敛相互印证。
6.3 生成证书：从对偶可行性推导最优性
在优化理论与实践中，最优性证书（certificate）常与“存在可行的对偶解并满足某些互补条件”相关。对偶可行性在这里起到关键作用：若能给出一组对偶可行变量，使其对偶目标与当前原解目标相匹配（并在适当条件下满足互补关系），则可以证明原解已达到最优。换句话说，对偶可行性提供了“可验证的反证/证明机制”：要证明某个解确实最优，只需展示对应的对偶可行结构与匹配的目标界。
7 常见误区与术语梳理
7.1 “对偶可行”≠“对偶最优”
一个对偶解满足对偶约束即可称为对偶可行，但其目标值不一定是最大化/最小化意义下的最优。将可行性误当作最优性，会导致错误的最优性结论。正确做法是：先验证可行性以获得界，再结合目标差距或互补条件判断是否达到最优。
7.2 对偶符号/方向混淆（最大化与最小化）
教材与文献在对偶问题写法上可能采用不同的最大化/最小化约定，从而使得不等式方向看起来相反。容易发生的错误是：把“下界”与“上界”的方向理解倒置。解决方法是始终从原问题与对偶目标的具体形式出发，明确哪一类可行性给出上界，哪一类给出下界。
7.3 数值算法中可行性的松弛处理（容差）
在浮点计算中，对偶约束往往只能满足到一定精度，因而需要容差（tolerance）概念。把非常小但非零的约束违反当作“不可行”会造成算法不必要的停滞；反过来，容差设得过大又会让界失去可靠性。实践中通常在可行性误差度量与容差策略上做平衡。
7.4 “可行就行？”——为什么还要看对偶间隙
仅验证对偶可行性只能保证形成正确界，但无法保证该界紧到足以确定最优。对偶间隙衡量的是原问题与对偶问题最优值之间的差距（在强对偶理想情形下为零）。因此，“可行就行”的说法只在需要界而不需要最优证明时成立；若要判断解是否真正接近最优，通常需要同时观察对偶间隙或其可计算替代量。