4.7向量优化
- 广义和凸的向量优化问题
- 最优解与值
- Pareto最优解与值
- 标量化
- 多准则优化
- 例子
广义和凸的向量优化问题
广义向量优化问题
其中是优化变量,是正常锥,是目标函数,是不等式约束函数,是等式约束函数。其余标准优化问题的区别在于目标函数不是标量而是向量,且比较目标函数值的方法不再是简单的数的大小,而是有正常锥K定义的广义不等式。故也称标准优化问题为标量优化问题。
凸向量优化问题
即如果目标函数是K-凸的,其不等式约束函数是凸的,等式约束函数是仿射的,则称问题是凸向量优化问题。
对于向量优化问题,我们是要寻找一个目标函数值在K锥上最优,即最小。但是因为向量优化问题的目标函数是向量,向量并不一定是可比较的,所以就要分情况考虑,类似第二章的最小元和极小元,在向量优化问题中,有两种情况,即最优解和Pareto最优解。
最优解与值
考虑可行点的目标值的集合:
称为可达目标值集合,显然如果这个集合中有最小元,那么问题就有最优解,最优解对应的目标函数值为最优值。
回顾最小元的定义:
一个集合C有最小元x当且仅当,当且仅当(x+K表示可以与x相比并且大于等于x的所有元素。)即C中所有元素都可以与x比较,且小于等于x。
考虑向量优化问题有最优解的情况,即可达目标集有最小元的情况,因此向量问题含有最优解,即,如下图:
Pareto最优解与值
现考虑可达目标集不含最小元的情况,此时问题不含最优解和最优值,只能在科大目标集中寻找极小元,我们称可达目标集中的极小元为Pareto最优,其对应的目标函数值为Pareto最优值。
回顾集合极小元的定义:
一个集合C有最小元x当且仅当,当且仅当(x-K表示可以与x相比并且小于等于x的所有元素。)即C中某些元素可以与x比较,且所有可以与x比较的元素都小于等于x。
所以点x是Pareto最优解,当且仅当它是可行的,而且,如下图:
一个向量优化问题可以有很多Pareto最优解,Pareto最优值的集合记为P,它满足,即每一个Pareto最优值都位于可达目标集合变价上的可达标目标值。
标量化
基于对偶广义不等式的极小和最小点的特征,选择任意的,即在任意对偶广义不等式中为正的向量,考虑标量优化问题
标量优化问题的最优解是对应的向量优化问题的Pareto最优解。向量有时称为权向量。
上图显示了不同的值对应不同的Pareto最优解,注:某些Pareto最优点不能有任何权向量找到。
从几何角度来看,点x是标量化问题的最优解,即在可行集上极小化了,当且仅当对于所有可行的y,有相当于是可达目标值集合O在处的支撑超平面。
对于凸向量优化问题,当权向量遍历-非负的非零向量,标量化方法可以得到所有Pareto最优解。
多准则优化
当向量优化函数关于锥时,他称为多准则或多目标优化问题。
,q个不同的目标函数,简单地说就是同时极小化这q个目标函数的值。
如果是凸的,则该多准则优化问题是凸问题。
因为是多个目标函数同时极小化,一种好的情况是可以得到一个最优解x同时极小化这q个目标函数,但很多情况下往往找不到一个同时极小化这q个目标函数的最优解,很可能只能极小化其中的一部分,·而不能极大化其他的目标函数,这时候就需要作出一些取舍和权衡,选择极小化更重要的目标函数。
标量化多准则问题
跟标量化类似,通过加权和目标函数来标量化多准则问题
所以通过设置权向量就可以有倾向地选择目标函数,比如可以为更重要的目标函数分量设置更大的权值。
例子
正则化最小二乘
对x求导:
令其为0,得到,整理得到
其中,趋于无穷大时,即时,最优解就是下图左侧的点,趋于0时,即时,最优解就是下图右侧的点。