-
可行解和最优解
可行解:各种规划中画不等式组表示的平面区域(即是可行域)后该区域中的点都算可行解
最优解:通过几何方法在这个区域中可以找出约束条件的最值即最优解
-
待求解问题为:
这个问题可以转换为
其中 称为拉格朗日乘子,
求解过程如下,
首先对拉格朗日方程 的 和 求导,得到如下式子,
和 联立可得到最优解的 和 ,下面证明算法的正确性,
现在有一个二元函数,要求其最小值, ,而约束条件为 , 则如下图所示,
通过图上可以看出最优解发生在 的负梯度方向和 某一等值线的梯度方向相同,即
通过上述推导,可得 的偏导等于0, 则说明这时分别对x,y, 求偏导,可得
因而当 达到极值时和 相同,因而达到极值时 ,这就证明了两个问题是等价的,
-
更一般的情况是求解约束条件下目标函数的极值问题既有等式,也有不等式,如下讲解只有不等式约束的情况,等式约束直接添加即可,
重申问题,
对应的拉格朗日公式为 , 图形表示形式如下,这时,有两种情况,
- 如果可行解直接落在约束条件范围内,即落在 的范围内,则直接删掉约束条件即可,
- 如果可行解落在约束条件外,则最优解在边界上去的,即在 的曲线上取得,
上述两种状况如下所示,
以上两种状况要么落在约束区域内,则 ,因为直接去掉约束条件即可,要么落在约束条件边界上,则 , 综合起来就是
还有一个问题就是 的取值问题,当 不等于0的时候,即最优解在 上取得时, 的等值线的负梯度方向必须要和 的梯度方向(法线方向)一致,即通过上面式子看出当 不等于0的时候, 一定大于0, 即
只有这样才能够得到最优解,其他虽然共线但是方向不同的不算是最优解,解释如下图所示,、
因而对于不等式约束,只要满足一定的条件都能够用拉格朗日算子法求解,这里的条件就是所谓的KKT条件,条件的总和即为上面讲述的结果,
整理一下可得,目标函数为
构造无约束条件拉格朗日函数为
在约束条件下的可行解(当然也包括最优解) 必须满足如下条件( )
这就是所谓的KKT条件,简单易懂,
-
拉格朗日对偶性
-
原始问题
假设 是定义在 上的连续可微函数,则如下称为约束最优化问题的原始问题,
引入广义拉格朗日函数为
为拉格朗日乘子, , 考虑x的函数
对于给定某个x,如果x违反原始问题的约束条件,即存在某个i使得 或者存在某个j,使得 ,那么有 , 而且当x满足所有的约束条件时, ,因此考虑极小化问题,则有
上式与原始问题是等价的,称为极小极大问题,为了简化起见,定义原始问题最优值为
-
对偶问题
定义
再考虑极大化 , 即
上式为广义拉格朗日函数的极大极小问题,极大极小问题的约束最优化问题如下,
对偶问题的最优值为
-
原始问题和对偶问题的关系
- 定理1
-
定理2
假设 为凸函数, 为仿射函数,并且不等式约束 是严格可行的(即存在x, 使得所有的i都有 ), 那一定会存在 , 使得 为原始问题的最优解, 为对偶问题的最优解,而且这时
-
定理3
假设 为凸函数, 为仿射函数,并且不等式约束 是严格可行的(即存在x, 使得所有的i都有 ),则 为原始问题的最优解, 为对偶问题的最优解的充分必要条件为如下,
满足KKT条件,即
而且最关键的是,如果某个 满足KKT条件,那么它们也是对偶问题和原始问题的解,这就提供了如何通过解对偶问题解决原始问题的可能性,也就是说求解KKT条件的过程就是求解原始和对偶问题解的过程,
定理3和定理2是同时成立的,也就是说定理2成立的同时定理3也成立,即只要能够满足且不等式约束 是严格可行的,则原始问题的最优解能够通过求解对偶问题来实现,且原始问题和对偶问题的最优解满足KKT条件,而求解的过程也由KKT条件本身计算得出。
-
数学(一)拉格朗日对偶性
猜你喜欢
转载自blog.csdn.net/weixin_37688445/article/details/79275526
今日推荐
周排行