约束优化方法之拉格朗日乘子法与KKT条件
来源:互联网 发布:淘宝图片推荐几款相机 编辑:程序博客网 时间:2024/06/06 09:50
转载自:http://www.cnblogs.com/ooon/p/5721119.html
引言
本篇文章将详解带有约束条件的最优化问题,约束条件分为等式约束与不等式约束,对于等式约束的优化问题,可以直接应用拉格朗日乘子法去求取最优值;对于含有不等式约束的优化问题,可以转化为在满足 KKT 约束条件下应用拉格朗日乘子法求解。拉格朗日求得的并不一定是最优解,只有在凸优化的情况下,才能保证得到的是最优解,所以本文称拉格朗日乘子法得到的为可行解,其实就是局部极小值,接下来从无约束优化开始一一讲解。
无约束优化
首先考虑一个不带任何约束的优化问题,对于变量
该问题很好解,根据 Fermat 定理,直接找到使目标函数得 0 的点即可 即
等式约束条件
当目标函数加上约束条件之后,问题就变成如下形式:
约束条件会将解的范围限定在一个可行域,此时不一定能找到使得
求解方法如下:首先对 Lagrangian 关于
令导数为 0 ,求得
因此给出结论:拉格朗日乘子法取得极值的必要条件是目标函数与约束函数相切,这时两者的法向量是平行的,即
所以只要满足上述等式,且满足之前的约束
,即可得到解,联立起来,正好得到就是拉格朗日乘子法。这里只是直观展示了一下拉格朗日乘子法的几何推导 ,并没有给出详细的证明。
不等式约束优化
当约束加上不等式之后,情况变得更加复杂,首先来看一个简单的情况,给定如下不等式约束问题:
对应的 Lagrangian 与图形分别如下所示:
这时的可行解必须落在约束区域
由图可见可行解
1. 当可行解
2. 当可行解
当约束区域包含目标函数原有的的可行解时,此时加上约束可行解扔落在约束区域内部,对应
的情况,这时约束条件不起作用;当约束区域不包含目标函数原有的可行解时,此时加上约束后可行解落在边界 上。下图分别描述了两种情况,右图表示加上约束可行解会落在约束区域的边界上。
以上两种情况就是说,要么可行解落在约束边界上即得
还有一个问题是
上式需要满足的要求是拉格朗日乘子
可见对于不等式约束,只要满足一定的条件,依然可以使用拉格朗日乘子法解决,这里的条件便是 KKT 条件。接下来给出形式化的 KKT 条件 首先给出形式化的不等式约束优化问题:
列出 Lagrangian 得到无约束优化问题:
经过之前的分析,便得知加上不等式约束后可行解
满足 KKT 条件后极小化 Lagrangian 即可得到在不等式约束条件下的可行解。 KKT 条件看起来很多,其实很好理解:
(1) :拉格朗日取得可行解的必要条件;
(2) :这就是以上分析的一个比较有意思的约束,称作松弛互补条件;
(3)
(4) :初始的约束条件;
(5) :不等式约束的 Lagrange Multiplier 需满足的条件。
主要的KKT条件便是 (3) 和 (5) ,只要满足这俩个条件便可直接用拉格朗日乘子法, SVM 中的支持向量便是来自于此,需要注意的是 KKT 条件与对偶问题也有很大的联系,下一篇文章就是拉格朗日对偶。
参考文献:
1. 书:PRML | 《机器学习方法》-李航 |《机器学习》-周志华2. http://blog.csdn.net/xianlingmao/article/details/79195973. http://blog.csdn.net/timingspace/article/details/509661054. http://blog.csdn.net/loadstar_kun/article/details/253690175. http://blog.csdn.net/johnnyconstantine/article/details/463357636. http://www.csc.kth.se/utbildning/kth/kurser/DD3364/Lectures/KKT.pdf nice PPT http://www.csc.kth.se/utbildning/kth/kurser/DD3364/Lectures/Duality.pdf7. http://www.cnblogs.com/jerrylead/archive/2011/03/13/1982684.html
阅读全文
0 0
- 约束优化方法之拉格朗日乘子法与KKT条件
- 约束优化方法之拉格朗日乘子法与KKT条件
- 约束优化方法之拉格朗日乘子法与KKT条件
- 约束优化方法之拉格朗日乘子法与KKT条件
- 约束优化方法之拉格朗日乘子法与KKT条件
- 约束优化方法之拉格朗日乘子法与KKT条件
- 约束优化方法之拉格朗日乘子法与KKT条件
- 约束优化方法之拉格朗日乘子发与KKT条件
- KKT条件--约束问题最优化方法
- 人工智能里的数学修炼 | 约束问题的优化求解:拉格朗日乘子法、KKT条件与对偶问题
- 约束最优化问题求解:拉格朗日乘子法和KKT条件
- 约束优化问题的KKT条件
- 优化问题与KKT条件
- 拉格朗日乘子法与KKT条件
- 拉格朗日乘子法与KKT条件
- 拉格朗日乘子法与KKT条件
- 关于拉格朗日乘子法与KKT条件
- 关于拉格朗日乘子法与KKT条件
- 用了这款自动化表格制作软件,跟手工表格说再见
- 图像识别的深度学习
- ExtJS基本点总结
- 谷歌 火狐 主页被篡改,修改文件名解决
- C++修改图片像素大小,求梯度,创建文件夹并读取文件数据,
- 约束优化方法之拉格朗日乘子法与KKT条件
- ubuntu17.04将左侧启动栏/任务栏,放到桌面底部
- SpringBoot(四):与dobbo的整合(注解形式与xml形式)
- (lintcode)第29题交叉字符串
- JVM垃圾回收策略和垃圾收集器
- Mac下卸载Nginx服务器
- 伪类和伪元素的区别(结论)
- 最大递增序列之和
- ViewPager 的用法详解