最优化学习 KKT条件(最优解的一阶必要条件)

最优化学习 KKT条件(最优解的一阶必要条件)KKT条件KKT条件(最优解的一阶必要条件)ComplementarySlackness互补松弛条件切锥与约束规范最优解的必要条件线性可行方向集线性无关约束规范(LICQ)引用Farkas引理证明KKT条件KKT条件(最优解的一阶必要条件)∇f(x∗)+∑i=1mλi∇gi(x∗)+∑i=1lμi∇hi(x∗)=0\nablaf\left(x^{*}\right)+\sum_{i=1}^{m}\lambda_{i}\nablag_{i}\left(x^{*}\right)+\sum_{i=

大家好,欢迎来到IT知识分享网。

全部笔记的汇总贴:最优化学习目录


KKT条件(最优解的一阶必要条件)

∇ f ( x ∗ ) + ∑ i = 1 m λ i ∇ g i ( x ∗ ) + ∑ i = 1 l μ i ∇ h i ( x ∗ ) = 0 \nabla f\left(x^{*}\right)+\sum_{i=1}^{m} \lambda_{i} \nabla g_{i}\left(x^{*}\right)+\sum_{i=1}^{l} \mu_{i} \nabla h_{i}\left(x^{*}\right)=0 f(x)+i=1mλigi(x)+i=1lμihi(x)=0 λ i ⩾ 0 , i = 1 , … m \lambda_{i} \geqslant 0, \quad i=1, \ldots m λi0,i=1,m g i ( x ∗ ) ⩽ 0 , i = 1 , ⋯ m g_{i}\left(x^{*}\right) \leqslant 0, i=1, \cdots m gi(x)0,i=1,m h i ( x ∗ ) = 0 , i = 1 , ⋯ l h_{i}\left(x^{*}\right)=0, i=1, \cdots l hi(x)=0,i=1,l λ i g i ( x ∗ ) = 0 , i = 1 , … m \lambda_{i} g_{i}\left(x^{*}\right)=0, i=1, \ldots m λigi(x)=0,i=1,m

在这里插入图片描述

Complementary Slackness 互补松弛条件

这里要引入一个Complementary Slackness 互补松弛条件
λ i g i ( x ∗ ) = 0 , i = 1 , … m \lambda_{i} g_{i}\left(x^{*}\right)=0, i=1, \ldots m λigi(x)=0,i=1,m { λ i > 0 ⇒ g i ( x ⋆ ) = 0 g i ( x ∗ ) < 0 = > λ i = 0 \left\{\begin{array}{l}\lambda_{i}>0 \Rightarrow g_{i}\left(x^{\star}\right)=0 \\ g_{i}\left(x^{*}\right)<0=>\lambda_{i}=0\end{array}\right. {
λi>0gi(x)=0gi(x)<0=>λi=0

切锥与约束规范

为了证明KKT,这里引入几个定义
在这里插入图片描述
在这里插入图片描述

最优解的必要条件

x ∗ x^{*} x是问题P的局部最优解
D ( x ∗ ) ∩ T ( x ∗ ) = ϕ D\left(x^{*}\right) \cap T\left(x^{*}\right)=\phi D(x)T(x)=ϕ D ( x ∗ ) = { d ∣ ∇ f ( x ∗ ) ⊤ d < 0 } \left.D\left(x^{*}\right)= \{ d \mid \nabla f\left(x^{*}\right)^{\top} d<0\right \} D(x)={
df(x)d<0}
T ( x ∗ ) = { α d ∣ α > 0 , d = lim ⁡ k → ∞ x k − x ∗ ∣ x k − x ∗ ∣ } T\left(x^{*}\right)=\left.\{ \alpha d\right|\alpha>0, d=\lim _{k \rightarrow \infty} \frac{x_{k}-x^{*}}{\left|x_{k}-x^{*}\right| } \} T(x)={
αd
α>
0,d=klimxkxxkx}

在这里插入图片描述

线性可行方向集

在这里插入图片描述
在这里插入图片描述

线性无关约束规范(LICQ)

在这里插入图片描述

引用Farkas 引理证明KKT条件

在这里插入图片描述
在这里插入图片描述

免责声明:本站所有文章内容,图片,视频等均是来源于用户投稿和互联网及文摘转载整编而成,不代表本站观点,不承担相关法律责任。其著作权各归其原作者或其出版社所有。如发现本站有涉嫌抄袭侵权/违法违规的内容,侵犯到您的权益,请在线联系站长,一经查实,本站将立刻删除。 本文来自网络,若有侵权,请联系删除,如若转载,请注明出处:https://yundeesoft.com/11590.html

(0)

相关推荐

发表回复

您的邮箱地址不会被公开。 必填项已用 * 标注

关注微信