本文简单总结一些相关概念,具体证明以后再补充;
1. 拉格朗日乘子法
2. 罚函数法:外罚函数与内罚函数法
3. 广义乘子法
1. 拉格朗日乘子法
1.1 无约束问题
无约束问题,定义为 minf(x)minf(x), 对于凸函数而言,直接利用费马定理,f′(x)=0f′(x)=0,获得最优解;
1.2 等式约束问题
等式约束定义如下:
现在利用拉格朗日乘子法,合并式子:
对 x,ax,a 分别求偏导:
发现第二个式子刚好是其约束条件;
为什么?
现在,我们在平面内投影函数,画出f(x)f(x)的等高线,以及g(x)=0g(x)=0的边界线;如图示:
蓝色虚线代表了f(x,y)f(x,y)的等高线;红色代表g(x,y)=c=0g(x,y)=c=0;
回顾:
1. 方向导数是各个方向上的导数
2. 偏导数连续才有梯度存在
3. 梯度的方向是方向导数中取到最大值的方向,梯度的值是方向导数的最大值(垂直方向)
假设f(x)f(x)的最小值在圆心处,即梯度方向向外;g(x,y)g(x,y)的梯度方向向下;
那么满足条件的值一定是两个函数相切处;如果相交,那么一定还存在一个等高线与红线相切,而且更小;在切点处,两个函数的梯度共线,即f′(x)=−ag′(x),a<0f′(x)=−ag′(x),a<0;做简单的变换后:f′(x)+ag′(x)=0f′(x)+ag′(x)=0,这就是第一个等式啦,同时还需要满足第二个式子;
1.3 不等式约束问题(KTT条件)
不等式约束问题:
引入拉格朗日函数:(KTT 条件)
这样就将不等式约束变成了等式约束,偏导等于零即可求得最优参数;
对偶变换后有:
因为 h(x)<0h(x)<0 ,所以只有当 bh(x)=0bh(x)=0 时, L(x,a,b)L(x,a,b) 才能取得最大值;否则不满足条件;所以KTT条件是 minf(x)minf(x) 的必要条件;
补充:SVM 满足KTT条件:在边界上的点,有h(x)=0h(x)=0;非边界处,令b=0;
1.4 拉格朗日乘子法问题
当 目标函数的Hess矩阵不正定时(特征值不全为正,或者行列式不为正,那么此时的偏导为0处,并不能确定是否是极值点),所以无法求解;
例子:
求解{minf=2x2+y2−2xys.t.x+y=1{minf=2x2+y2−2xys.t.x+y=1
我们定义 L(x,y,λ)=f−λg(x)=2x2+y2−2xy−λ(x+y−1)L(x,y,λ)=f−λg(x)=2x2+y2−2xy−λ(x+y−1)
求偏导可得:⎧⎩⎨⎪⎪⎪⎪∂L∂x=4x−2y−λ=0∂L∂y=2y−2x−λ=0∂L∂λ=x−y−1=0{∂L∂x=4x−2y−λ=0∂L∂y=2y−2x−λ=0∂L∂λ=x−y−1=0
我们可以计算原目标函数的Hess矩阵: A=⎡⎣⎢∂2L∂x2∂2L∂y∂x∂2L∂x∂y∂2L∂y2⎤⎦⎥=[4−2−22]A=[∂2L∂x2∂2L∂x∂y∂2L∂y∂x∂2L∂y2]=[4−2−22]正定矩阵;
再看一个目标函数,方程稍作修改:
{minf=2x2+y2+3xys.t.x+y=1{minf=2x2+y2+3xys.t.x+y=1
直接求偏导,发现方程无解;
再看其Hess矩阵: B=[4332]B=[4332]非正定矩阵;
也就是说,在梯度为零处,我们无法判断是否是极值;
2. 罚函数法
2.1 定义
罚函数法:根据约束条件的特点,构造出惩罚函数,然后加入到目标函数中,将其转化为无约束问题;新目标函数的解与原始目标函数解一致;
2.1.1 等式约束的罚函数法:
我们引入一个增广目标函数:
这里: σσ 是惩罚因子,取很大的正数, F(x,σ)F(x,σ) 是罚函数, σP(x)σP(x) 是惩罚项;
惩罚项的性质:
1. 当xx为可行解时,P(x)=0P(x)=0,惩罚项为0;
2.当xx不在可行域内,此时σP(x)σP(x)会很大,那么求得minF(x,σ)minF(x,σ)必然有minf(x)minf(x)与minx,σ[σP(x)]minx,σ[σP(x)]同时成立;所以,当σσ充分大时,增广目标函数的最优值接近于原始问题的最优值;(σ→∞σ→∞,若原问题有解(F<∞F<∞),则会有g=0g=0)
例如:
minf(x)=(x1+x2)2s.t.g(x)=x1+x2=cminf(x)=(x1+x2)2s.t.g(x)=x1+x2=c
构造罚函数为:minL(x,σ)=minf(x)+σ||g(x)||22minL(x,σ)=minf(x)+σ||g(x)||22
σσ设置的值较大;第一部分优化解,第二部分使得解在可行域内;
如果x不在可行域内,需要我们大步迭代;
2.1.2 不等式约束的罚函数法:
此时我们构造惩罚项;
(1) P(x)=∑[min(0,hi(x))]2P(x)=∑[min(0,hi(x))]2 ,可以简单分析出:当 hi(x)>=0hi(x)>=0 时 P(x)=0P(x)=0 ,满足条件;当不在可行域内时,我们需要加大惩罚;
(2) P(x)=∑αih2iP(x)=∑αihi2 ,其中 αi={0,hi>=01,hi<0αi={0,hi>=01,hi<0
2.1.3 一般形式的罚函数法:
那么罚函数为:
特别注意:惩罚因子是充分大的数,拉格朗日乘子是一个确定的参数,意义不一样;(当惩罚因子过大时,在求解极小值的过程中,Hess矩阵变成病态矩阵?)
2.2 外罚函数法
对不在可行域内,加大惩罚;上文介绍的就是外罚函数法;
2.3 内罚函数法
又称障碍函数法,内点法);在可行域内筑起高墙,迫使值在可行域内,目标函数无法穿越;(只适用于不等式约束)
障碍函数一般取:(1)倒数 (2)对数
障碍因子为很小的正数
当xx趋于边界时,那么障碍函数趋于无穷;初始点在可行域内部;
在可行域内时,障碍函数值很小,增广目标函数与原始目标函数等价了;
3. 广义乘子法
3.1 等式约束广义乘子法:
广义乘子法是 拉格朗日乘子法与罚函数法 的结合;
在罚函数的基础上增加了乘子项,首先在 σσ 足够大的基础上,获得 ϕϕ 的极小值,然后在调整 λλ 获得原问题的最优解;
迭代公式如下 :
梯度等于零: ∇xϕ(xk,λk,σk)=0∇xϕ(xk,λk,σk)=0 ,即
令 λk+1=σkg(xk)+λkλk+1=σkg(xk)+λk ,则导出拉格朗日乘子法的一阶必要条件;
计算方法:
(1)初始值设置: x,λ,σx,λ,σ
(2)计算梯度为0,获得当前最优值 xkxk ,然后判断是否终止;
(3)是否调整惩罚因子,获得 σk+1σk+1
(4)计算 λk+1=σkg(xk)+λkλk+1=σkg(xk)+λk
3.2 不等式约束广义乘子法:
思想是:引入松弛变量,化不等式问题为等式约束;
那么原始问题转化成:
首先计算关于 ββ 的极小值;因为 β>=0β>=0 ,上式是关于 ββ 的二次函数,开口向上,对称轴是 h+λσh+λσ ,
这样做的目的是:保证增广目标函数最优解近似于原始问题最优解;
分析:当 σh+λ>=0σh+λ>=0 时, β=h+λσβ=h+λσ ,则
当 σh+λ<0σh+λ<0 时, β=0β=0 ,则
梯度为零计算最优解,发现刚好满足朗格朗日乘子法的必要条件;
3.3 一般约束广义乘子法:
混合等式不等式约束法,计算即可。
https://blog.csdn.net/lmm6895071/article/details/78329045?locationNum=7&fps=1