• 广义拉格朗日与对偶问题


    广义拉格朗日函数

    给定不等式约束问题

    [min_{z in mathbb{R}^{n}} f(x) ]

    [egin{array}{l} { ext { s.t. } c_{i}(x) le 0, quad i=1,2, cdots, k} \ {quad h_{j}(x)=0, quad j=1,2, cdots, l}end{array} ]

    定义广义拉格朗日函数(generalized Lagrange function)

    [L(x, alpha, eta)=f(x)+sum_{i=1}^{k} alpha_{i} c_{i}(x)+sum_{j=1}^{l} eta_{j} h_{j}(x) ]

    这里(x=left(x^{(1)}, x^{(2)}, cdots, x^{(n)} ight)^{mathrm{T}} in mathbb{R}^{n}, alpha_{i}, {eta}_{j})是拉格朗日乘子,(alpha_ige 0), 考虑(x)的函数

    [ heta_{P}(x)=max _{alpha, eta; alpha_{i} ge 0} L(x, alpha, eta) ]

    [ heta_{p}(x)=left{egin{array}{l}{f(x)}, xmbox{满足原始问题约束} \ {+infty}, mbox{其他}end{array} ight. ]

    (有严格证明,这里略过)

    极小化问题(min _{x} heta_{P}(x)=min _{x} max _{alpha, eta ; alpha_{i} ge0} L(x, alpha, eta))原问题有相同的解

    拉格朗日函数相当于构造了一个含参函数,在满足约束条件的情况下,这个函数的值总是小于等于目标函数(f(x))。而我们此时选取合适的参数(α)(β)令该函数最大可使等号成立,即令(L(x,α,β)=f(x));若不满足约束条件,则总存在(α、β)使得该函数趋向于+∞。

    定义原始问题的最优值为(p^{*}=min _{x} heta_{p}(x))

    对偶问题

    定义( heta_{D}(alpha, eta)=min _{x} L(x, alpha, eta))

    我们得到极大极小问题

    [{max _{alpha, eta} heta_{D}(alpha, eta)=max _{alpha, eta} min _{x} L(x, alpha, eta)} \ { ext { s.t. } quad alpha_{i} geq 0, quad i=1,2, cdots, k} ]

    称为原问题(极小极大问题)的对偶问题

    定义对偶问题的最优值为(d^{*}=max _{alpha, eta ; alpha_{i} geq 0} heta_{D}(alpha, eta))

    原始问题与对偶问题的关系

    性质1 (弱对偶性)(d^* le p^*)。p是先求最大的一块区域然后在这块区域求最小,d是先求最小的一块区域然后在这块区域求最大,最大里面的最小,总会比最小里面的最大要大。

    性质2 (强对偶充分条件)若(f(x))(c_i(x))是凸函数,(h_j(x))是仿射函数,并且不等式约束是严格可行的(即(exists x,forall i, ext{有}c_i(x)<0))则存在(x^*),(alpha^*) ,(eta^*) 使(x^*)是原始问题的解,(alpha^*,eta^*)是对偶问题的解, 并且

    [p^{*}=d^{*}=Lleft(x^{*}, alpha^{*}, eta^{*} ight) ]

    性质3 (强对偶充要条件)若(f(x))(c_i(x))是凸函数,(h_j(x))是仿射函数,并且不等式约束是严格可行的,则(x^*)是原始问题的解,(alpha^*,eta^*)是对偶问题的解的充要条件就是它们满足KKT( Karush-Kuhn-Tucker)条件

    [egin{array}{l}{ abla_{x} Lleft(x^{*}, alpha^{*}, eta^{*} ight)=0} \ { abla_{alpha} Lleft(x^{*}, alpha^{*}, eta^{*} ight)=0} \ { abla_{eta} Lleft(x^{*}, alpha^{*}, eta^{*} ight)=0}end{array}\ egin{array}{rl}{alpha_{i}^{*} c_{i}left(x^{*} ight)=0,} & {i=1,2, cdots, k} \ {c_{i}left(x^{*} ight) le0,} & {i=1,2, cdots, k} \ {alpha_{i}^{*} ge 0,} & {i=1,2, cdots, k} \ {h_{j}left(x^{*} ight)=0,} & {j=1,2, cdots, l}end{array} ]

    KKT条件的直观理解(两个例子)

    等式约束

    目标函数(f(x) = x_1 + x_2),等式约束(h(x) = x_1^2 + x_2^2 - 2) ,求解极小值点。

    不等式约束

    考虑目标函数(f(x) = x_1^2 + x_2^2) ,不等式约束(g(x) = x_1^2 + x_2^2 - 1le0),显然(f(x))的极小值为原点(0,0),落在可行域内。可行域以原点为圆心,半径为1。

    这种情况约束不起作用,考虑极小值点(x^*),这个时候,(g(x^*) < 0)(f(x^*))的梯度等于0。

    考虑目标函数(f(x) = (x_1 - 1.1)^2 + (x_2 + 1.1)^2) ,不等式约束(g(x) = x_1^2 + x_2^2 - 1 le0),显然f(x)的极小值为原点(1.1, -1.1),落在可行域外。可行域以原点为圆心,半径为1。这种情况约束起作用,要考虑求解(f(x))在可行域内的极小值点

  • 相关阅读:
    30以后,程序员一定要转管理岗吗?
    C#调用Bartender打印绑定数据库,动态设置Sql
    记一次 加载大量数据时不影响界面UI的经历
    火狐浏览器安装印象笔记剪藏
    VS自定义模板-以自定义类模板为样例
    x86架构下win 系统下使用Vmware+ubantu+qemu 模拟arm64架构+Kylin系统
    ES6操作数组的7中方法
    Vue 动态绑定CSS样式
    C# 使用HtmlAgilityPack 抓取 网站链接
    elementui——表格的相同内容单元格合并
  • 原文地址:https://www.cnblogs.com/Akarinnnn/p/11516102.html
Copyright © 2020-2023  润新知