国产 无码 综合区,色欲AV无码国产永久播放,无码天堂亚洲国产AV,国产日韩欧美女同一区二区

最優(yōu)化:建模、算法與理論(最優(yōu)性理論2

這篇具有很好參考價值的文章主要介紹了最優(yōu)化:建模、算法與理論(最優(yōu)性理論2。希望對大家有所幫助。如果存在錯誤或未考慮完全的地方,請大家不吝賜教,您也可以點(diǎn)擊"舉報(bào)違法"按鈕提交疑問。

5.7 約束優(yōu)化最優(yōu)性理論應(yīng)用實(shí)例

5.7.1 仿射空間的投影問題

考慮優(yōu)化問題
min ? x ∈ R n 1 2 ∣ ∣ x ? y ∣ ∣ 2 2 , s . t . A x = b \min_{x{\in}R^n}\frac{1}{2}||x-y||_2^2,\\ s.t.{\quad}Ax=b xRnmin?21?∣∣x?y22?,s.t.Ax=b
其中 A ∈ R m × n , b ∈ R m , y ∈ R n A{\in}R^{m \times n},b{\in}R^m,y{\in}R^n ARm×n,bRm,yRn為給定的矩陣和向量,這里不妨設(shè)矩陣A是行滿秩的,這個問題可以看成仿射平面 { x ∈ R n ∣ A x = b } \{x{\in}R^n|Ax=b\} {xRnAx=b}的投影問題
對于等式約束,我們引入拉格朗日乘子 λ ∈ R m \lambda{\in}R^m λRm,構(gòu)造拉格朗日函數(shù)
L ( x , λ ) = 1 2 ∣ ∣ x ? y ∣ ∣ 2 + λ T ( A x ? b ) L(x,\lambda)=\frac{1}{2}||x-y||^2+\lambda^T(Ax-b) L(x,λ)=21?∣∣x?y2+λT(Ax?b)
因?yàn)橹挥蟹律浼s束,估 S l a t e r Slater Slater條件滿足, x ? x^* x?為一個全局最優(yōu)解,當(dāng)且僅當(dāng)存在 λ ? ∈ R m \lambda^*{\in}R^m λ?Rm使得
{ x ? ? y + A T λ = 0 A x ? = b \left\{ \begin{matrix} x^*-y+A^T\lambda=0\\ Ax^*=b \\ \end{matrix} \right. {x??y+ATλ=0Ax?=b?
由上述KKT條件第一式,等號左右兩邊同時左乘 A A A可得
A x ? ? A y + A A T λ = 0 Ax^*-Ay+AA^T\lambda=0 Ax??Ay+AATλ=0
注意到 A x ? = b Ax^*=b Ax?=b以及 A A T AA^T AAT是可逆矩陣,因此可以解出乘子
λ = ( A A T ) ? 1 ( A y ? b ) \lambda=(AA^T)^{-1}(Ay-b) λ=(AAT)?1(Ay?b)
代入回去可以得到
x ? = y ? A T ( A A T ) ? 1 ( A y ? b ) x^*=y-A^T(AA^T)^{-1}(Ay-b) x?=y?AT(AAT)?1(Ay?b)

5.7.2 線性規(guī)劃問題

考慮線性規(guī)劃問題
min ? x ∈ R n c T x , s . t . A x = b , x ≥ 0 (5.7.1) \min_{x{\in}R^n}{\quad}c^Tx,\\ s.t.{\quad}Ax=b,\\ x{\ge}0\tag{5.7.1} xRnmin?cTx,s.t.Ax=b,x0(5.7.1)
其中 A ∈ R m × n , b ∈ R m , c ∈ R n A{\in}R^{m \times n},b{\in}R^m,c{\in}R^n ARm×n,bRm,cRn分別為給定的矩陣和向量
拉格朗日函數(shù)可以寫為
L ( x , s , v ) = c T x + v T ( A x ? b ) ? s T x = ? b T v + ( A T v ? s + c ) T x , s ≥ 0 L(x,s,v)=c^Tx+v^T(Ax-b)-s^Tx\\ =-b^Tv+(A^Tv-s+c)^Tx,s{\ge}0 L(x,s,v)=cTx+vT(Ax?b)?sTx=?bTv+(ATv?s+c)Tx,s0
其中 s ∈ R n , v ∈ R m s{\in}R^n,v{\in}R^m sRn,vRm,由于線性規(guī)劃是凸問題且滿足 S l a t e r Slater Slater條件的,因此對于任意一個全局最優(yōu)解 x ? x^* x?,我們有如下KKT條件
{ c + A T v ? ? s ? = 0 , A x ? = b x ? ≥ 0 s ? ≥ 0 s ? x ? = 0 (5.7.2) \left\{ \begin{matrix} c+A^Tv^*-s^*=0,\\ Ax^*=b \\ x^*{\ge}0\\ s^*{\ge}0\\ s^*x^*=0 \end{matrix} \right.\tag{5.7.2} ? ? ??c+ATv??s?=0,Ax?=bx?0s?0s?x?=0?(5.7.2)
我們設(shè)原始問題和對偶問題最優(yōu)解函數(shù)值分別為 p ? p^* p? d ? d^* d?,則根據(jù) p ? p^* p?取值情況,有如下三種可能
(1)如果 ? ∞ < p ? < + ∞ ( 有界 ) -\infty<p^*<+\infty(有界) ?<p?<+(有界),那么原始問題可行而且存在最優(yōu)解,由 S l a t e r Slater Slater條件知強(qiáng)對偶原理成立,因此有 d ? = p ? d^*=p^* d?=p?,即對偶問題也是可行的且存在最優(yōu)解
(2)如果 p ? = ? ∞ p^*=-\infty p?=?,那么原始問題可行,但目標(biāo)函數(shù)值無下界,由弱對偶原理知 d ? ≤ p ? = ? ∞ d^*{\le}p^*=-\infty d?p?=?,即 d ? = ? ∞ d^*=-\infty d?=?,因?yàn)閷ε紗栴}是對目標(biāo)函數(shù)極大化,所以此時對偶問題不可行
(3)如果 p ? = + ∞ p^*=+\infty p?=+,那么原始問題無可行解,注意到 S l a t e r Slater Slater條件對原始問題不成立,此時對偶問題既可能是函數(shù)值無界( d ? = + ∞ d^*=+\infty d?=+)也可能無可行解( d ? = ? ∞ d^*=-\infty d?=?),我們說,不可能出現(xiàn) ? ∞ < d ? < + ∞ -\infty<d^*<+\infty ?<d?<+的情形,這是因?yàn)槿绻麑ε紗栴}可行且存在最優(yōu)解,那么可對對偶問題應(yīng)用強(qiáng)對偶原理,進(jìn)而導(dǎo)出原始問題也存在最優(yōu)解,這矛盾了
最優(yōu)化:建模、算法與理論(最優(yōu)性理論2,算法

5.7.3 基追蹤

min ? x ∈ R n ∣ ∣ x ∣ ∣ 1 , s . t . A x = b (5.7.3) \min_{x{\in}R^n}||x||_1,\\ s.t.{\quad}Ax=b\tag{5.7.3} xRnmin?∣∣x1?,s.t.Ax=b(5.7.3)
利用分解 x i = x i + ? x i ? x_i=x_i^+-x_i^- xi?=xi+??xi??,其中 x i + = m a x { x i , 0 } , x i ? = max ? { ? x i , 0 } x_i^+=max\{x_i,0\},x_i^-=\max\{-x_i,0\} xi+?=max{xi?,0},xi??=max{?xi?,0}分別表示 x x x的正部和負(fù)部,問題5.7.3的一種等價形式可以寫成
min ? ∑ i x i + + x i ? , s . t . A x + ? A x ? = b , x + , x ? ≥ 0 \min{\sum_i}x_i^++x_i^-,\\ s.t.{\quad}Ax^+-Ax^-=b,\\ x^+,x^-{\ge}0 mini?xi+?+xi??,s.t.Ax+?Ax?=b,x+,x?0
進(jìn)一步的,令 y = [ x i + , x i ? ] T ∈ R 2 n y=[x_i^+,x_i^-]^T{\in}R^{2n} y=[xi+?,xi??]TR2n,我們將問題5.7.3轉(zhuǎn)化為如下線性規(guī)劃問題
min ? y ∈ R 2 n 1 T y , s . t . [ A , ? A ] y = b , y ≥ 0 \min_{y{\in}R^{2n}}1^Ty,\\ s.t.{\quad}[A,-A]y=b,\\ y{\ge}0 yR2nmin?1Ty,s.t.[A,?A]y=b,y0
其中 1 = ( 1 , 1 , ? ? , 1 ) T ∈ R 2 n 1=(1,1,\cdots,1)^T{\in}R^{2n} 1=(1,1,?,1)TR2n
那么根據(jù)一般線性規(guī)劃的最優(yōu)性條件,等價于求解
{ 1 + [ A , ? A ] T v ? ? s ? = 0 , [ A , ? A ] y ? = b y ? ≥ 0 s ? ≥ 0 s ? y ? = 0 (5.7.4) \left\{ \begin{matrix} 1+[A,-A]^Tv^*-s^*=0,\\ [A,-A]y^*=b \\ y^*{\ge}0\\ s^*{\ge}0\\ s^*y^*=0 \end{matrix} \right.\tag{5.7.4} ? ? ??1+[A,?A]Tv??s?=0,[A,?A]y?=by?0s?0s?y?=0?(5.7.4)
同樣的,我們也可以直接推導(dǎo)5.7.3的最優(yōu)性條件,拉格朗日函數(shù)為
L ( x , v ) = ∣ ∣ x ∣ ∣ 1 + v T ( A x ? b ) L(x,v)=||x||_1+v^T(Ax-b) L(x,v)=∣∣x1?+vT(Ax?b)
x ? x^* x?為全局最優(yōu)解當(dāng)且僅當(dāng)存在 v ? ∈ R m v^*{\in}R^m v?Rm使得
{ 0 ∈ ? ∣ ∣ x ? ∣ ∣ 1 + A T v ? , A x ? = b (5.7.5) \left\{ \begin{matrix} 0{\in}\partial||x^*||_1+A^Tv^*,\\ Ax^*=b \\ \end{matrix} \right.\tag{5.7.5} {0?∣∣x?1?+ATv?,Ax?=b?(5.7.5)
最優(yōu)性條件5.7.4和5.7.5本質(zhì)上是等價的

5.7.4 最大割問題的半定規(guī)劃松弛以及非凸分解模型

第三章說明了最大割問題的半定規(guī)劃松弛問題。如下
max ? < C , X > , s . t . X i i = 1 , i = 1 , 2 , ? ? , n , X ? 0 (5.7.6) \max{\quad}<C,X>,\\ s.t.{\quad}X_{ii}=1,i=1,2,\cdots,n,\\ X{\succeq}0\tag{5.7.6} max<C,X>,s.t.Xii?=1,i=1,2,?,n,X?0(5.7.6)
該問題是一個凸優(yōu)化問題,并且Slater約束品性成立,對于等式約束,我們引入拉格朗日乘子 μ i R , i = 1 , 2 , ? ? , n \mu_{i}R,i=1,2,\cdots,n μi?R,i=1,2,?,n;對于半正定約束,根據(jù)對偶錐,我們引入拉格朗日乘子 Λ ∈ S + n \Lambda{\in}\mathcal{S}_+^n ΛS+n?,拉格朗日函數(shù)為
L ( X , μ , Λ ) = < C , X > + ∑ i = 1 n μ i ( X i i ? 1 ) ? T r ( X Λ ) L(X,\mu,\Lambda)=<C,X>+\sum_{i=1}^n\mu_i(X_{ii}-1)-Tr(X\Lambda) L(X,μ,Λ)=<C,X>+i=1n?μi?(Xii??1)?Tr(XΛ)
根據(jù)約束優(yōu)化問題的最優(yōu)性條件
{ C + D i a g ( u ? ) ? Λ ? = 0 , X i i ? = 1 X ? ≥ 0 Λ ? ≥ 0 T r ( X ? Λ ? ) = 0 \left\{ \begin{matrix} C+Diag(u^*)-\Lambda^*=0,\\ X_{ii}^*=1 \\ X^*{\ge}0\\ \Lambda^*{\ge}0\\ Tr(X^*\Lambda^*)=0 \end{matrix} \right. ? ? ??C+Diag(u?)?Λ?=0,Xii??=1X?0Λ?0Tr(X?Λ?)=0?
這個轉(zhuǎn)化成跡就是因?yàn)?span id="n5n3t3z" class="katex--inline"> X 和 Λ X和\Lambda XΛ的半正定性,上述條件 T r ( X ? Λ ? ) = 0 Tr(X^*\Lambda^*)=0 Tr(X?Λ?)=0可以等價地用 X ? Λ ? X^*\Lambda^* X?Λ?代替
下面的非凸分解模型還沒看明白。。。以后有機(jī)會回來補(bǔ)文章來源地址http://www.zghlxwxcb.cn/news/detail-722677.html

到了這里,關(guān)于最優(yōu)化:建模、算法與理論(最優(yōu)性理論2的文章就介紹完了。如果您還想了解更多內(nèi)容,請?jiān)谟疑辖撬阉鱐OY模板網(wǎng)以前的文章或繼續(xù)瀏覽下面的相關(guān)文章,希望大家以后多多支持TOY模板網(wǎng)!

本文來自互聯(lián)網(wǎng)用戶投稿,該文觀點(diǎn)僅代表作者本人,不代表本站立場。本站僅提供信息存儲空間服務(wù),不擁有所有權(quán),不承擔(dān)相關(guān)法律責(zé)任。如若轉(zhuǎn)載,請注明出處: 如若內(nèi)容造成侵權(quán)/違法違規(guī)/事實(shí)不符,請點(diǎn)擊違法舉報(bào)進(jìn)行投訴反饋,一經(jīng)查實(shí),立即刪除!

領(lǐng)支付寶紅包贊助服務(wù)器費(fèi)用

相關(guān)文章

覺得文章有用就打賞一下文章作者

支付寶掃一掃打賞

博客贊助

微信掃一掃打賞

請作者喝杯咖啡吧~博客贊助

支付寶掃一掃領(lǐng)取紅包,優(yōu)惠每天領(lǐng)

二維碼1

領(lǐng)取紅包

二維碼2

領(lǐng)紅包