所谓满足对偶可行性，即指其检验数满足最优性条件。只要保持检验数满足最优性条件前提下，一旦基解成为可行解时，对偶问题和原问题均可行，由强对偶性证明，二者均有最优解。
设原始问题的标准形式为max{cx|Ax=b，x≥0}，则其对偶问题(Dual Problem)为 min{yb|yA≤c}。当原问题的一个基解满足最优性条件时，其检验数小于等于0，当σ=cj-zj=cj-CBB-1A≤0时，既有或，即知单纯形算子y=CBB-1为对偶问题的可行解。换而言之，只要保证检验数σ≤0，则对偶问题一定存在可行基B。
在初始单纯形表中，一般此可行基B都为单位矩阵I，这时候只要能够保持检验数持续小于等于0迭代下去，通过变换到一个相邻的目标函数值较小的基可行解（因为对偶问题是求目标函数极小化），并循环进行，一到XB=B-1b≥0时，原问题也为可行解。这时，对偶问题和原问题均为可行解，而且两者的可行解就是最优解，这就是对偶单纯形法求解线性规划的基本思路。
一旦最终基变量XB≥0，原问题也满足最优解条件的原因是：对偶问题的最终单纯形表中的基变量XB=B-1b和原问题的最终单纯形表中的检验数的相反数CBB-1取值相等，不难观察到原问题的检验数σ=cj-zj-CBB-1=-B-1b≤0，其检验数满足最优性条件。（注：这里的B并不是同一个矩阵，它们是各自问题的初始可行基，但CB和b在本质上是同一个向量。）
虽然，本方法借鉴了对偶理论的思路，但是它是求解原问题而非对偶问题的一个方法。而且，一般用对偶单纯形法解决的是原始问题是极小化问题，min{cx|Ax=b，x≥0}，但是只要先标准化为max{cx|Ax=b，x≥0}即于上面一致。
