kkt条件和拉格朗日乘子法
《kkt条件和拉格朗日乘子法》由会员分享,可在线阅读,更多相关《kkt条件和拉格朗日乘子法(4页珍藏版)》请在装配图网上搜索。
1、深入理解拉格朗日乘子法(LagrangeMultiplier)和KKT条件在求取有约束条件的优化问题时,拉格朗日乘子法(Lagrange Multiplier)和KKT条件 是非常重要的两个求取方法,对于等式约束的优化问题,可以应用拉格朗日乘子法去求取最 优值;如果含有不等式约束,可以应用KKT条件去求取。当然,这两个方法求得的结果只 是必要条件,只有当是凸函数的情况下,才能保证是充分必要条件。KKT条件是拉格朗日 乘子法的泛化。之前学习的时候,只知道直接应用两个方法,但是却不知道为什么拉格朗日 乘子法(Lagrange Multiplier)和KKT条件能够起作用,为什么要这样去求取最优值呢
2、? 本文将首先把什么是拉格朗日乘子法(Lagrange Multiplier)和KKT条件叙述一下;然后开 始分别谈谈为什么要这样求最优值。一.拉格朗日乘子法(Lagrange Multiplier)和KKT条件通常我们需要求解的最优化问题有如下几类:(i) 无约束优化问题,可以写为:min f(x);(ii) 有等式约束的优化问题,可以写为:min f(x),s.t. h_i(x) = 0; i =1, n(iii) 有不等式约束的优化问题,可以写为:min f(x),s.t. g_i(x) =0,我们可以把 f(x)写为:max_a,b L(a,b,x),为什 么呢?因为h(x)=0, g
3、(x)v=O,现在是取L(a,b,x)的最大值,a*g(x)是v=0,所以L(a,b,x)只有 在a*g(x) = 0的情况下才能取得最大值,否则,就不满足约束条件,因此max_a,b L(a,b,x) 在满足约束条件的情况下就是f(x),因此我们的目标函数可以写为min_x max_a,b L(a,b,x)。如果用对偶表达式:max_a,b min_x L(a,b,x),由于我们的优化是满足强对偶 的(强对偶就是说对偶式子的最优值是等于原问题的最优值的),所以在取得最优值xO的条 件下,它满足 f(xO) = max_a,b min_x L(a,b,x) = min_x max_a,b L(
4、a,b,x) =f(xO),我们 来看看中间两个式子发生了什么事情:f(xO) = max_a,b min_x L(a,b,x) = max_a,b min_x f(x) + a*g(x) + b*h(x)= max_a,b f(x0)+a*g(x0)+b*h(x0) = f(xO)可以看到上述加黑的地方本质上是说min_x f(x) + a*g(x) + b*h(x)在xO取得了最小值,用 fermat定理,即是说对于函数f(x) + a*g(x) + b*h(x),求取导数要等于零,即 f(x)的梯度+a*g(x)的梯度+ b*h(x)的梯度=0 这就是kkt条件中第一个条件:L(a, b, x)对x求导为零。而之前说明过,a*g(x) = 0,这时kkt条件的第3个条件,当然已知的条件h(x)=0必须被满足, 所有上述说明,满足强对偶条件的优化问题的最优值都必须满足KKT条件,即上述说明的 三个条件。可以把KKT条件视为是拉格朗日乘子法的泛化。
- 温馨提示:
1: 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。图纸软件为CAD,CAXA,PROE,UG,SolidWorks等.压缩文件请下载最新的WinRAR软件解压。
2: 本站的文档不包含任何第三方提供的附件图纸等,如果需要附件,请联系上传者。文件的所有权益归上传用户所有。
3.本站RAR压缩包中若带图纸,网页内容里面会有图纸预览,若没有图纸预览就没有图纸。
4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
5. 装配图网仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对用户上传分享的文档内容本身不做任何修改或编辑,并不能对任何下载内容负责。
6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。