5.1Lagrange对偶函数
- Lagrange
- Lagrange对偶函数
- 最优值的下界
- 例子
- Lagrange对偶函数和共轭函数
Lagrange
标准形式的优化问题:
其中,问题的定义域,注意这里不要求该优化问题是凸优化问题。
定义问题的Lagrange函数为:
定义域:,为第i个不等式约束对应的Lagrange乘子,为第i个等式约束对应的Lagrange乘子。向量为对偶变量或者问题的Lagrange乘子向量。
Lagrange对偶函数
定义Lagrange对偶函数为Lagrange函数关于x取得的最小值:即对有
如果Lagrange函数关于x无下界,则。
无论原优化问题是不是凸问题,其Lagrange对偶函数都是凹函数,因为其Lagrange对偶函数是关于的仿射函数的逐点下确界,故为凹函数。(仿射函数是凸函数,一系列凸函数的逐点上确界是凸函数,逐点下确界是凹函数。)
最优值的下界
对偶问题构成了原问题最优解的下界。即,下式成立:
显然:对于任意的x是可行解,
例子
线性等式的最小范数
Lagrange对偶函数是为了最小化L,
带入得到
即为,所以
标准的线性规划
Lagrange对偶函数是
为了最小化L,
因为L是仿射函数,所以
如果。
双向划分问题
其中,约束要求x的分量要么是1要么是-1。将此问题看出n个元素的集合,将其划分为
将矩阵系数看成是分量i和j在同一分区内的成本,将矩阵系数看成是分量i和j在不同分区内的成本,所以目标函数就是寻找是成本最小的划分。
Lagrange对偶函数是
而
对x求极小得到
Lagrange对偶函数和共轭函数
回忆:的共轭函数为:
对一个优化问题:
其对偶函数:
等式约束的范式最小化
Lagrange对偶函数是,
已知范数的共轭函数
所以
如果。
熵最大化问题
Lagrange对偶函数是
,
已知目标函数的共轭函数
所以
是A的第i列向量。