KKT条件--约束问题最优化方法

　　KKT条件在约束条件下求解非线性规划问题很有用，是确定某点为最优点的一阶必要条件。而对于凸规划问题而言，KKT条件是局部极小点的一阶必要条件，同时也是充分条件，而且局部极小点就是全局极小点。考虑以下数学模型：

min f(x)s. t. hi(x)=0 (i=1,2,...,m)gj(x)≥0 (j=1,2,...,l)(1)

定理：
　　x∗为可行域中的一点，I(x∗)={i|gi(x∗)=0,1≤i≤l},f(x)与gi(x)(i∈I(x∗))在点x∗处可微，gi(x)在点x∗处连续，hj(x)(j=1,2,...,m)在点x∗处连续可微，且向量集

{∇gi(x∗),∇hj(x∗)|i∈I(x∗),j=1,2,...,m}

线性无关。若x∗是上述数学模型的局部最优解，则存在γ∗=(γ∗1,γ∗2,...,γ∗l)T和向量λ∗=(λ∗1,λ∗2,...,λ∗m)T，是下述条件成立：

⎧⎩⎨⎪⎪⎪⎪∇f(x∗)−∑lj=1γ∗j∇gj(x∗)−∑mi=1λ∗i∇hi(x∗)=0γ∗jgj(x∗)=0(j=1,2,...,l)γ∗j≥0(j=1,2,...,l)(2)

第一种理解思路:

辅助概念：
　　1. ≥0不等式约束，如上面的gj(x)：可行点x处的可行下降方向d与该点处目标函数的负梯度方向的夹角为锐角，与该点起作用约束函数的梯度方向的夹角也为锐角。
　　2. ≤0不等式约束：可行点x处的可行下降方向d与该点处目标函数的负梯度方向的夹角为锐角，与该点起作用约束函数的梯度方向的夹角也为钝角。
　　3. 等式约束，如上面的hi(x)：可行点x处的可行下降方向d与该点处目标函数的负梯度方向的夹角为锐角，与该点处的约束函数的梯度方向向量的内积为0。

　　由(2)中第二个向量方程可知，当不等式约束gj(x)≥0在x∗处为不起作用约束时，γ∗j必为0。这样，第一个向量方程其实就是可行点x∗处的目标函数梯度方向，与该点处不等式约束的起作用约束函数的梯度方向，以及等式约束函数的梯度方向的线性组合。
假设存在可行下降方向d，第一个向量方程两边同乘以d，则可得到

∇f(x∗)T⋅d−∑j=1lγ∗j∇gj(x∗)T⋅d−∑i=1mλ∗i∇hi(x∗)T⋅d=0

　　由上面的辅助概念1可知，∇f(x∗)T⋅d<0, gj(x∗)T⋅d>0。
　　由上面的辅助概念3可知，λ∗i∇hi(x∗)T⋅d=0。
　　由此可知，等式不成立，即假设不成立，d不存在,此时点x∗为局部最优解。
通常称f(x∗)−∑lj=1γ∗jgj(x∗)−∑mi=1λ∗ihi(x∗)为问题(1)的广义拉格朗日函数。当该非线性规划问题只包含等式约束时，此KKT条件便具有以下形式：

∇f(x∗)−∑i=1mλ∗i∇hi(x∗)=0(3)

(3)式即为狭义拉格朗日函数关于x∗求导形式。

第二种理解思路：

其实可以从原问题的广义拉格朗日函数的最小最大问题出发。

L(x,γj,λi)=f(x)−∑j=1lγjgj(x)−∑i=1mλihi(x)g(γj,λi)=maxγj>=0,λiL(x,γj,λi)={−∞,其他f(x),x满足原始问题的条件约束minxmaxγj>=0,λiL(x,γj,λi)

于是求极值先对γj,λi求导：

⎧⎩⎨⎪⎪gj(x)=0γj>=0hi(x)=0

再对x求导：

∇f(x)−∑j=1lγj∇gj(x)−∑i=1mλi∇hi(x)=0

但是直接求不太好求，会通过求对偶问题：

p(x)=minxL(x,γj,λi)

但是p(x)<=L(x,γj,λi)<=g(γj,λi)，什么时候p(x)的最优解就是原问题的最优解呢？
g(γj,λi)的最优解为γ∗j,λ∗i,p(x)的最优解为x∗。当满足KKT条件时，x∗是原问题的最优解。证明：

g(γ∗j,λ∗i)=minxL(x,γ∗j,λ∗i)=L(x∗,γ∗j,λ∗i)=f(x∗)−∑j=1lγ∗jgj(x∗)−∑i=1mλ∗ihi(x∗)=f(x∗)

最后一步由KKT条件中的第二个和第三个条件得到。

第三种理解思路:

参考网上的资料，整理了一下从几何意义方面理解KKT条件。
- 以下二维决策变量情况的讨论参考自此
- 等式约束情况
考虑这个决策变量是二维平面内点(x,y)的优化问题：
max \ f(x,y)\\s.\ t.\ g(x,y)=c

max f(x,y)s. t. g(x,y)=c

我们在二维平面内画出两个函数的图像。由于缺少第三维，我们使用等高线来表示目标函数f(x,y)的函数值。如下图：

图中画出了两条f(x,y)的等高线，蓝色箭头则是等高线上的梯度∇f(x,y)。从梯度的方向上来看，显然有d1<d2。绿色的线是约束，也就是说，只要正好落在这条绿线上的点才可能是满足要求的点。如果没有这条约束，f(x,y)的最大值应该会落在最小那圈等高线内部的某一点上。而现在加上了约束，最大值点应该在哪里呢？显然应该是在f(x,y)的等高线正好和约束线相切的位置。如果我们对约束也求梯度∇g(x,y)，则其梯度如图中绿色箭头所示。很容易看出来，要想让目标函数f(x,y)的等高线和约束相切，则他们切点的梯度一定在一条直线上，即：

∇f(x,y)=υ∇g(x,y)

其中υ可以是任何实数。
因此，我们通过观察可以得到优化取到最大值的条件：

{g(x,y)=c∇f(x,y)−υ∇g(x,y)=0

- 不等约束的情况
上面仅仅考虑了等式约束的情况。那么含有不等式的约束情况下，λ乘子又有什么意义呢？
我们还是考虑一个和上面问题类似的问题：

maxf(x,y)s.t.g1(x,y)≤c,g2(x,y)≥d

我们同样在平面内画下这个问题的图像：

这个和之前的图不同之处在于：约束决定的可行区域由一条直线变成了一段带状区域。这个带状区域由两条边界g1(x,y)=c和g2(x,y)=d来决定。
大家立刻可以从图中发现，这个问题的最优解和之前的等式约束情况下没有任何区别。也就是依然满足条件：

⎧⎩⎨g1(x,y)=c∇f(x,y)−υ∇g1(x,y)=0υ≤0

- 以下三维决策变量情况的讨论参考自此
考虑以下问题模型：

minf(x1,x2,x3)s.t.c1(x1,x2,x3)=0(曲面S1)c2(x1,x2,x3)=0(曲面S2)

如上图，x∗局部最优解，那么其必在S1与S2的交线D（及可行域）上，并且目标函数与约束函数的梯度∇c1(x∗)，∇c2(x∗)共面。如果不共面，那么f(x)梯度向可行域D上的投影不为零。于是沿着这个投影移动，可使得目标函数下降，也就不是最优解。
根据共面的条件，我们可以推出：

∇f(x∗)=∑i=1lλ∗i∇ci(x∗)

也就是三维空间的最优性条件。
三维决策变量的不等式约束情况和高维情况（共体）可以此类推。