优化:等式约束
来源:互联网 发布:电台播音员自学软件 编辑:程序博客网 时间:2024/05/21 06:01
优化:等式约束1
- 优化等式约束1
- 问题描述
- 一些定义
- 拉格朗日条件
- 二次条件
问题描述:
等式约束:
其中,
一些定义
- regular point
A point
x∗ satisfying the constraintsh1(x∗)=0,...,hm(x∗)=0 is said to be a regular point of the constraints if the gradient vectors∇h1(x∗),...,∇hm(x∗) are linearly independent. - tangent space
The tangent space at a pointx∗ on the surfaceS={x∈Rn:h(x)=0} is the setT(x∗)={y:Dh(x∗)y=0} normal space
The normal space at a point
x∗ on the surfaceS={x∈Rn:h(x)=0} is the setN(x∗)={x∈Rn:x=Dh(x∗)Tz,z∈Rm} 定理
T(x∗)=N(x∗)⊥ andT(x∗)⊥=N(x∗)
拉格朗日条件
拉格朗日条件图解[1]:
- 拉格朗日定理
Letx∗ be a local minimizer (or maximizer) off:Rn→R , subject toh(x)=0 ,h:Rn→Rm,m<n . Assume thatx∗ is a regular point. Then, there existsλ∈Rm such that
.Df(x∗)+λ∗TDh(x∗)=0T Example
考虑下述问题
maximizexTQxxTPx
求解思路:
用拉格朗日法求解,但是没有等式约束。通过观察发现,如果对x 扩大一定倍数,如t ,那么tx 的解与x 的相同,所以我们可以将xTPx 约束为1,所以原问题变成
maximizexTQxsubject toxTPx=1.
便可以用拉格朗日法求解。
二次条件
上面所说的拉格朗日法是针对函数的一阶导的,下面就二阶导进行讨论。
记
给出结论:
定理
Suppose that
f,h∈C2 and there exits a pointx∗∈Rn andλ∗∈Rm such that:Df(x∗)+λ∗TDh(x∗)=0T .- For all
y∈T(x∗),y≠0 , we haveyTL(x∗,λ∗)y>0 .
Then,x∗ is a strict local minimizer off subject toh(x)=0 .
对于局部最大值也是同样的条件约束,区别在于第二项中的正定变成了负定。
[1]图片来自《AN INTRODUCTION TO OPTIMIZATION》P434
- 参考《AN INTRODUCTION TO OPTIMIZATION》和《CONVEX OPTIMIZATION》. ↩
0 0
- 优化:等式约束
- 最优化--等式约束最优性条件
- 等式约束与不等式约束问题
- 闲扯数学规划问题(3)-等式约束和不等式约束
- 等式
- AutoLayout——约束就是等式或不等式
- 拉格朗日乘数法(等式约束和不等式约束)及KKT条件
- 约束优化问题(拉格朗日乘子)
- 一个有趣的等式 (搜索用:优化 java 算法)
- BZOJ 2118 墨墨的等式 堆优化Dijkstra
- 支持向量机入门系列-2:等式约束极小的最优性条件
- 等式约束QP命题的求解(Solving equality-constrained QP)
- svm是如何将不等式约束融入到能量方程中的
- 约束优化问题数值解法
- 约束优化问题(拉格朗日乘子法求解)
- 带约束有限元网格的平滑优化
- 拉格朗日乘子法(有约束优化问题)
- KKT条件--约束问题最优化方法
- Android异步消息处理之Looper,Handler,Message,MessageQueue
- linux terminator多窗口
- 新浪UC 单文件精简版
- Android下WiFiDisplay功能探究
- 练习三 Problem P
- 优化:等式约束
- android studio 集成极光推送(1)
- 数据库1
- Dagger2从入门到放弃再到恍然大悟
- 基于回归神经网络的中文语句模型实践(Python+Tensorflow+阿里云)
- JAVA_异常处理
- 数据库2
- Android源码解析(三十)-->触摸事件分发流程
- Android实战简易教程-第七十五枪(WIFI直连工具类)