Generalisation of Farkas' lemma beyond closedness: a constructive approach via Fenchel-Rockafellar duality

Each language version is independently generated for its own context, not a direct translation.

Imagine que você é um arquiteto tentando construir uma casa (o seu objetivo final, chamado de b). Você tem uma caixa de ferramentas cheia de peças específicas (o conjunto P), e uma máquina especial (A) que transforma essas peças em partes da casa.

A pergunta clássica que os matemáticos fazem é: "É possível usar apenas as peças da minha caixa e a minha máquina para construir exatamente a casa que eu quero?"

No mundo da matemática, isso é conhecido como o Lema de Farkas. Tradicionalmente, para garantir que a resposta fosse "sim" ou "não" de forma definitiva, os matemáticos precisavam de uma regra muito rígida: a caixa de ferramentas e a máquina precisavam ser "perfeitamente fechadas" e organizadas. Se houvesse qualquer peça solta, qualquer buraco na caixa ou qualquer peça que ficasse "quase" lá, mas não exatamente lá (um conceito chamado de "não fechado"), as regras antigas falhavam e diziam: "Não podemos garantir nada".

O Problema: Quando as Regras Quebram

Na vida real, as coisas raramente são perfeitas. Às vezes, você tem uma caixa de ferramentas onde as peças se encaixam tão bem que formam um cone quase perfeito, mas falta uma aresta minúscula. Nas regras antigas, isso era um pesadelo: você não sabia se conseguiria construir a casa ou não.

A Solução Criativa: O "Aproximado" e o "Espelho"

Os autores deste artigo, Camille, Emmanuel e Christophe, trouxeram uma nova abordagem. Eles dizem: "Esqueça a perfeição. Vamos usar um truque de espelho e tolerância."

Eles usam uma técnica chamada Dualidade Fenchel-Rockafellar. Pense nisso como olhar para o seu problema através de um espelho mágico:

O Problema Original (Primal): Você tenta encaixar as peças na máquina para chegar ao objetivo. Isso é difícil porque a caixa de ferramentas pode ter buracos.
O Problema Espelho (Dual): Em vez de tentar montar a casa diretamente, você olha para o "espelho" (o problema dual). No espelho, você não precisa se preocupar com os buracos da caixa original. Você apenas verifica se há uma "sombra" ou uma "pressão" que impeça a construção.

A Grande Inovação: Tolerância (O "Quase" é Bom o Suficiente)

A parte mais brilhante do artigo é que eles não exigem que a casa seja construída perfeitamente de primeira. Eles dizem:

Para o "Quase" (Aproximação): Se você permitir um pequeno erro (digamos, um tijolo fora do lugar, chamado de épsilon), eles provam que sempre é possível encontrar uma solução, desde que a caixa de ferramentas seja gerada por um conjunto de peças "bem comportadas" (limitadas e fechadas), mesmo que o cone final não seja perfeito.
- Analogia: É como tentar acertar um alvo. Se você não precisa acertar o centro exato, mas apenas o círculo vermelho, é muito mais fácil. Eles mostram como encontrar esse círculo vermelho mesmo que o alvo esteja um pouco tremido.
Para o "Exato" (Precisão): Se você realmente precisa do centro exato, eles mostram que, na maioria dos casos, você pode encontrar a solução olhando para o "espelho". Se o espelho mostrar uma resposta clara, você sabe exatamente qual peça usar.

O Método Construtivo: Não é Mágica, é Receita

O que torna este trabalho tão especial é que eles não apenas dizem "é possível", eles dão a receita do bolo.

Em vez de apenas provar que a casa pode ser construída, eles dizem:

Resolva uma equação simples no "espelho" (o problema dual).
Pegue o resultado dessa equação.
Aplique uma regra simples (como projetar uma sombra) para descobrir exatamente qual peça da caixa original você deve usar.

Isso é como ter um GPS. Antigamente, o mapa dizia apenas "talvez você consiga chegar". Agora, o novo método diz: "Vire à direita na próxima, depois suba a ladeira, e você estará lá".

Por que isso importa?

Imagine que você está tentando controlar um foguete ou resolver um problema de economia complexa. Os dados nunca são perfeitos; há sempre ruído, erros de medição ou limites que não são "fechados" matematicamente.

Antes: Se os dados não fossem perfeitos, os matemáticos diziam: "Não podemos garantir nada. O sistema pode falhar."
Agora: Com este novo método, eles dizem: "Mesmo com dados imperfeitos, podemos calcular exatamente o quão perto você está do objetivo e, na maioria das vezes, encontrar a solução exata ou a melhor aproximação possível."

Resumo em uma Frase

Os autores criaram um novo "GPS matemático" que funciona mesmo quando o mapa (o conjunto de soluções) tem buracos ou imperfeições, permitindo que engenheiros e cientistas encontrem soluções práticas e exatas para problemas que antes pareciam impossíveis de resolver. Eles trocaram a exigência de "perfeição rígida" por uma abordagem inteligente de "tolerância e espelho".

Each language version is independently generated for its own context, not a direct translation.

Título: Generalização do Lema de Farkas além da Fechadura: Uma Abordagem Construtiva via Dualidade de Fenchel-Rockafellar

Autores: Camille Pouchol, Emmanuel Trélat e Christophe Zhang.
Data: Março de 2026 (arXiv:2603.11859v1).

1. O Problema

O artigo aborda um problema fundamental em otimização e análise funcional: determinar se um vetor $b$ pertence à imagem de um cone $P$ sob uma aplicação linear contínua $A$ , ou seja, se existe uma solução $x \in P$ tal que $Ax = b$ .

Contexto Clássico: O Lema de Farkas clássico fornece condições necessárias e suficientes para a solvabilidade exata ( $Ax=b$ ) quando $P$ é um cone convexo fechado e, crucialmente, quando a imagem $A(P)$ é fechada.
A Dificuldade: A hipótese de que $A(P)$ é fechado é frequentemente difícil de verificar e nem sempre é satisfeita em espaços de dimensão infinita ou em cones gerados por conjuntos específicos. Quando $A(P)$ não é fechado, a distinção entre solvabilidade exata ( $b \in A(P)$ ) e solvabilidade aproximada ( $b \in \overline{A(P)}$ ) torna-se crítica.
Objetivo: Desenvolver uma generalização do Lema de Farkas que:
1. Não exija que $A(P)$ seja fechado.
2. Não exija que o próprio cone $P$ seja fechado (apenas que seja gerado por um conjunto convexo limitado e fechado).
3. Seja construtiva, permitindo a obtenção explícita das soluções (ou aproximações) através de condições de otimalidade.

2. Metodologia

Os autores utilizam uma abordagem baseada em Dualidade de Fenchel-Rockafellar em espaços de Hilbert. Em vez de aplicar o lema diretamente, eles formulam um problema de otimização auxiliar e analisam seu par primal-dual.

Formulação do Problema de Otimização

Para um dado $\varepsilon \geq 0$ , eles definem um funcional auxiliar $F_\varepsilon(x)$ sobre o espaço $X$ :
$F_\varepsilon(x) = \frac{1}{2} j_{K_r}^2(x) + \delta_{\{x \in X : \|Ax - b\|_Y \leq \varepsilon\}}(x)$
Onde:

$K_r$ é um conjunto convexo, limitado e fechado contendo a origem, que gera o cone $P$ (ou seja, $P = \text{cone}(K_r)$ ).
$j_{K_r}$ é a função de gauge (ou Minkowski) de $K_r$ .
$\delta_C$ é a função indicadora do conjunto $C$ .

O problema primal $(P_\varepsilon)$ consiste em minimizar $F_\varepsilon(x)$ .

Problema Dual

Utilizando a dualidade de Fenchel-Rockafellar, derivam o problema dual $(D_\varepsilon)$ :
$\inf_{y \in Y} J_\varepsilon(y), \quad \text{onde} \quad J_\varepsilon(y) = \frac{1}{2} \sigma_{K_r}^2(A^*y) - \langle b, y \rangle_Y + \varepsilon \|y\|_Y$
Onde $\sigma_{K_r}$ é a função de suporte de $K_r$ e $A^*$ é o operador adjunto.

Pontos Chave da Metodologia:

Dualidade Forte: Estabelecem que a dualidade forte vale sob hipóteses gerais, garantindo que o infimo do primal é igual ao supremo do negativo do dual.
Condições de Otimalidade: As soluções do problema primal podem ser recuperadas a partir das soluções do problema dual através de condições de otimalidade de primeira ordem (subdiferenciais), especificamente envolvendo a projeção ou o gradiente da função de suporte.
Relaxação para Cones Não Convexos: Para cones não convexos, eles consideram o fecho convexo do gerador e utilizam condições adicionais para garantir que a solução construída pertença ao cone original.

3. Principais Contribuições

Generalização das Hipóteses:
- Eliminam a necessidade de $A(P)$ ser fechado.
- Enfraquecem a hipótese sobre $P$ : em vez de exigir que $P$ seja fechado, exigem apenas que $P$ seja gerado por um conjunto convexo, limitado e fechado $K_r$ contendo a origem. Isso permite tratar cones que não são fechados.
Abordagem Construtiva:
- Diferente de generalizações anteriores (como Hernandez-Lerma e Lasserre) que fornecem condições quantificadas mas não construtivas, este método permite construir explicitamente a solução $x$ (ou uma aproximação $x_\varepsilon$ ) resolvendo um problema de otimização convexa não restrita no espaço dual.
- Para $\varepsilon > 0$ (solvabilidade aproximada), o problema dual admite sempre um minimizador único, permitindo a reconstrução exata da solução primal.
Caracterização de Solvabilidade Exata vs. Aproximada:
- Fornecem condições de dualidade distintas para $b \in A(P)$ (exata) e $b \in \overline{A(P)}$ (aproximada).
- Para o caso exato, discutem as condições sob as quais o problema dual atinge seu ínfimo (existência de minimizador), o que é crucial para a construtividade.
Extensão a Cones Não Convexos:
- Demonstram como aplicar a metodologia a cones não convexos através de uma relaxação para o cone convexo gerado pelo fecho convexo do conjunto gerador, sob condições de "pontos extremos" (princípio bang-bang).

4. Resultados Principais

Teoremas de Solvabilidade (Condições de Dualidade)

Caso Aproximado ( $\varepsilon > 0$ ):
$b \in \overline{A(P)}$ se e somente se existe uma constante $C > 0$ tal que para todo $y \in Y$ :
$\langle b, y \rangle_Y \leq C \sigma_{K_r}(A^*y)$
Ou, de forma equivalente, se $\sigma_{K_r}(A^*y) = 0 \implies \langle b, y \rangle_Y \leq 0$ .
Resultado: Se a condição acima é satisfeita, o problema dual $(D_\varepsilon)$ tem um minimizador único $y_\varepsilon^*$ , e a solução primal é dada por $x_\varepsilon^* \in \sigma_{K_r}(A^*y_\varepsilon^*) \partial \sigma_{K_r}(A^*y_\varepsilon^*)$ .
Caso Exato ( $\varepsilon = 0$ ):
$b \in A(P)$ se e somente se existe $C > 0$ tal que $\langle b, y \rangle_Y \leq C \sigma_{K_r}(A^*y)$ para todo $y$ .
Nota: Diferente do caso aproximado, o problema dual $(D_0)$ pode não admitir um minimizador, mesmo que o ínfimo seja finito. A existência de um minimizador dual é necessária para a reconstrução construtiva da solução exata.

Casos Específicos

Cone Convexos Fechados: Recupera-se resultados conhecidos onde $P$ é fechado. A solução de norma mínima é dada por $x^* = (A^*y^*)^+$ (projeção no cone).
Condição de Regularidade: O artigo analisa quando o problema dual atinge seu ínfimo. Introduzem o conceito de vetores normais compartilhados entre o conjunto $A^{-1}(b)$ $A^{- 1} (b)$ e o conjunto gerador escalado $\lambda K$ $λ K$ .
- Em dimensão finita, a existência de vetores normais compartilhados é garantida.
- Em dimensão infinita, fornece-se um contraexemplo onde a solução primal existe, mas o problema dual não tem minimizador (falha na construtividade exata).

Cones Não Convexos

Se $P$ não for convexo, mas gerado por um conjunto limitado $K$ , e se o conjunto de pontos extremos do fecho convexo de $K$ estiver contido em $K$ (condição de pontos extremos), então a solução construída para o cone convexo relaxado pertence ao cone original $P$ . Isso generaliza princípios de controle ótimo do tipo "bang-bang".

5. Significado e Impacto

Teórico: O trabalho preenche uma lacuna na teoria de otimização convexa ao fornecer uma generalização robusta do Lema de Farkas que lida com a não-fechadura de $A(P)$ e de $P$ , mantendo a estrutura de dualidade forte.
Prático/Computacional: A natureza construtiva do método é sua maior vantagem. Ao transformar o problema de verificação de solvabilidade em um problema de minimização convexa não restrita no espaço dual, o método é passível de implementação numérica eficiente (ex: algoritmos de ponto de sela como Chambolle-Pock).
Aplicações: É particularmente relevante para:
- Teoria de Controle: Onde os conjuntos de controle são frequentemente não convexos ou limitados, e a fechadura da imagem do operador de controle é difícil de garantir.
- Problemas Inversos: Em dimensões infinitas (PDEs/ODEs), onde a fechadura da imagem de operadores é um problema comum.
- Análise Numérica: Oferece um caminho para calcular soluções de sistemas lineares com restrições de cone, mesmo quando a existência exata é delicada.

Em resumo, o artigo propõe uma ferramenta unificada e computacionalmente viável para analisar a solvabilidade de equações lineares em cones, superando as limitações clássicas de fechadura através de uma reformulação inteligente baseada em dualidade convexa.