凸优化第五章对偶 5.3几何解释

5.3几何解释

  1. 对偶函数的解释
  2. 上境图

对偶函数的解释

简单考虑只有一个不等式约束f_1(x)\leq 0

定义

G =\left \{ (f_1(x),f_0(x))|x\in D \right \}

已知对偶函数:

g(\lambda )=\underset{(u,t)\in G}{inf}(t+\lambda u)=\underset{(u,t)\in G}{inf}(\lambda ,1)^T(u,t)

所有对偶函数相当于在G上极小化(\lambda ,1)^T(u,t),得到斜率为-\lambda的支撑超平面。

下图,t表示f_0(x),u表示约束函数值f_1(x)

原优化问题在于在约束条件下找到最小的t,G为约束函数值和目标函数值的所有取值的集合,约束函数为u\leq 0,即在坐标轴左侧找最小的t,故找到最优解p^*(如上图)。

上图三条直线则表示三个\lambda对应的支撑超平面,与t轴的交点是g(\lambda)的取值。

上境图形式

A =\left\{ (u,t)|\exists x \in D,f_1(x) \leq u,f_0(x) \leq t\right \}

可以将A理解为G的上境图形式,包含了G中所有的点,以及一些较坏的点。

强对偶性成立,当且仅当存在某些对偶可行变量,使得P^*=d^*,即对于集合A,存在一个在边界点(0,0,p^*)处有非竖直的支撑超平面。

对于凸问题,A显然也是凸集,对于任意的凸集,其边界点处均有支撑超平面。所以对大部分凸问题,强对偶性总是成立。

\lambda

猜你喜欢

转载自blog.csdn.net/wangchy29/article/details/86902873
今日推荐