[最优化导论]C6 集合约束和无约束优化问题

2023-12-28 10:40

本文主要是介绍[最优化导论]C6 集合约束和无约束优化问题,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

集合约束和无约束优化问题

集合约束和无约束优化的基本形式为:

m i n i m i z e f ( x ) s u b j e c t t o x ∈ Ω \begin{aligned} minimize f(\mathbf{x}) \\ subject\ \ to\ \ \mathbf{x}\in\Omega\end{aligned} minimizef(x)subject  to  xΩ

目标就是在约束集 Ω \Omega Ω中找出最好的决策变量 x \mathbf{x} x,如果 Ω = R n \Omega=\mathbb{R}^n Ω=Rn,则问题就会转化为无约束优化问题。

用数学化的形式定义一下局部最小点就是:

如果存在一个 ε &gt; 0 \varepsilon&gt;0 ε>0,对于所有满足 ∣ ∣ x − x ∗ ∣ ∣ &lt; ε ||\mathbf{x}-\mathbf{x}^*||&lt;\varepsilon xx<ε的向量 x \mathbf{x} x,不等式 f ( x ) ≥ f ( x ∗ ) f(\mathbf{x}) \geq f(\mathbf{x}^*) f(x)f(x)都成立,则称 x ∗ \mathbf{x}^* x是函数 f f f在定义域中的一个局部最小点。

说的简单点就是如果在 x ∗ \mathbf{x}^* x一个邻域内的函数值都比在这个点大,则这个点就是局部最小点。

如果把上述的 ≥ \geq 换成 &gt; &gt; >,局部最小点也就成严格局部最小点。

优化问题的极小点可能位于约束集 Ω \Omega Ω的内部,也可能位于边界上。处于边界上的极小点需要满足一定条件之后才能成为真正的极小点。

举个例子:对于 f ( x ) = x 3 f(x)=x^3 f(x)=x3的函数,毫无疑问该函数是单调递增的,但一阶导数和二阶导数在原点的值为0,显然x=0并不是极小值点,由此可以看出成为局部最小点需要满足一些必要条件和充分条件,在多维空间中也是如此。

n元实值函数求导问题回顾:

导数矩阵(雅克比矩阵)为: D f ( x 0 ) = [ ∂ f ∂ x 1 ( x 0 ) ⋯ ∂ f ∂ x n ( x 0 ) ] Df(x_0)=[\frac{\partial f}{\partial x_1}(x_0) \cdots \frac{\partial f}{\partial x_n}(x_0)] Df(x0)=[x1f(x0)xnf(x0)]

如果函数f为一个向量,并且它的作用是将n维空间转化为m为空间,则对应的矩阵为:

D f ( x 0 ) = [ ∂ f ∂ x 1 ( x 0 ) ⋯ ∂ f ∂ x n ( x 0 ) ] = [ ∂ f 1 ∂ x 1 ( x 0 ) ⋯ ∂ f 1 ∂ x n ( x 0 ) ⋯ ⋯ ∂ f m ∂ x 1 ( x 0 ) ⋯ ∂ f m ∂ x n ( x 0 ) ] Df(x_0)=[\frac{\partial f}{\partial x_1}(x_0) \cdots \frac{\partial f}{\partial x_n}(x_0)]=\begin{bmatrix} \frac{\partial f_1}{\partial x_1}(x_0) &amp;\cdots &amp; \frac{\partial f_1}{\partial x_n}(x_0)\\ \cdots &amp; &amp; \cdots \\ \frac{\partial f_m}{\partial x_1}(x_0) &amp;\cdots &amp; \frac{\partial f_m}{\partial x_n}(x_0) \end{bmatrix} Df(x0)=[x1f(x0)xnf(x0)]=x1f1(x0)x1fm(x0)xnf1(x0)xnfm(x0)

如果二次可微,则对应的黑塞矩阵为:

F ( x ) ≜ D 2 f = [ ∂ 2 f ∂ x 1 2 ∂ 2 f ∂ x 2 ∂ x 1 ⋯ ∂ 2 f ∂ x n ∂ x 1 ∂ 2 f ∂ x 1 ∂ x 2 ∂ 2 f ∂ x 2 2 ⋯ ∂ 2 f ∂ x n ∂ x 2 ⋮ ⋮ ⋱ ⋮ ∂ 2 f ∂ x 1 ∂ x n ∂ 2 f ∂ x 2 ∂ x n ⋯ ∂ 2 f ∂ x n 2 ] \mathbf{F(x)}\triangleq D^2f=\begin{bmatrix} \frac{\partial^2 f}{\partial x_1^2} &amp;\frac{\partial^2 f}{\partial x_2\partial x_1} &amp; \cdots &amp; \frac{\partial^2 f}{\partial x_n\partial x_1}\\ \frac{\partial^2 f}{\partial x_1\partial x_2} &amp; \frac{\partial^2 f}{\partial x_2 ^2}&amp; \cdots &amp; \frac{\partial^2 f}{\partial x_n\partial x_2}\\ \vdots &amp;\vdots &amp; \ddots &amp;\vdots\\ \frac{\partial^2 f}{\partial x_1\partial x_n} &amp; \frac{\partial^2 f}{\partial x_2\partial x_n}&amp; \cdots &amp; \frac{\partial^2 f}{\partial x_n ^2} \end{bmatrix} F(x)D2f=x122fx1x22fx1xn2fx2x12fx222fx2xn2fxnx12fxnx22fxn22f

1.一阶必要条件

首先来看这样一种情况,
在这里插入图片描述
在上图中,如果x向量往d2方向走一小步,就会走出约束集合;而往d1方向走一小步还在约束集内,所以d1为可行方向。对应的,d2为不可行方向。

设在约束集内的可行方向为 d \mathbf{d} d,函数对应的梯度为 ▽ f ( x ) \bigtriangledown f(\mathbf{x}) f(x)为函数梯度,则沿着可行方向的方向倒数为梯度与单位可行方向向量的内积。

对应的一阶必要条件为:

f f f在约束集 Ω \Omega Ω上一阶连续可微,如果 x ∗ \mathbf{x}^* x是函数 f f f在约束集 Ω \Omega Ω上局部极小点,则需要满足处于 x ∗ \mathbf{x}^* x的任意可行方向上,都有:

d T ▽ f ( x ) ≥ 0 \mathbf{d}^T\bigtriangledown f(\mathbf{x})\geq 0 dTf(x)0

成立。

例如在下图中,x1并不能满足一阶必要条件,而x2可以。所以x1不是局部极小点。
在这里插入图片描述
推论

如果 x ∗ \mathbf{x}^* x是位于约束集内部的点,则需要满足的一阶必要条件为:

▽ f ( x ∗ ) = 0 \bigtriangledown f(\mathbf{x}^*)=0 f(x)=0

即需要满足梯度为0向量,相当于在一元函数中函数的导数为0是必要条件。

2. 二阶必要条件

一阶必要条件并不能确保某个点为局部最小点,局部最小点还需要满足的二阶必要条件为:

Ω \Omega Ω上二阶连续可微,满足一阶必要条件的情况下,还需满足:

d T F ( x ∗ ) d ≥ 0 \mathbf{d}^T\mathbf{F(x^*)}\mathbf{d}\geq 0 dTF(x)d0

其中 F \mathbf{F} F为函数对应的黑塞矩阵。

同样如果 x ∗ \mathbf{x}^* x在约束集内部时,需要满足的二阶必要条件为:

▽ f ( x ∗ ) = 0 \bigtriangledown f(\mathbf{x}^*)=0 f(x)=0

d T F ( x ∗ ) d ≥ 0 \mathbf{d}^T\mathbf{F(x^*)}\mathbf{d}\geq 0 dTF(x)d0
在这里插入图片描述
同时满足两个必要条件也不一定为局部最小点,如作图;右图为满足一阶必要条件,而不满足二阶必要条件的例子。

3. 局部最小点的充分条件

如果:

  1. ▽ f ( x ∗ ) = 0 \bigtriangledown f(\mathbf{x}^*)=0 f(x)=0
  2. F ( x ∗ ) &gt; 0 \mathbf{F(x^*)}&gt; 0 F(x)>0

x ∗ \mathbf{x}^* x为函数 f f f的严格局部最小点。

相当于在一元函数中,一阶导数为0且二阶导数大于0,则该点为极小值。

当然面对一个高度非线性的问题,如果利用二阶必要条件或充分条件求解,需要很多次进行二阶求导,具有很大的工作量,所以通常采用极小值的迭代求解方法,下一章将会介绍。

这篇关于[最优化导论]C6 集合约束和无约束优化问题的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/545675

相关文章

Spring的RedisTemplate的json反序列泛型丢失问题解决

《Spring的RedisTemplate的json反序列泛型丢失问题解决》本文主要介绍了SpringRedisTemplate中使用JSON序列化时泛型信息丢失的问题及其提出三种解决方案,可以根据性... 目录背景解决方案方案一方案二方案三总结背景在使用RedisTemplate操作redis时我们针对

Kotlin Map映射转换问题小结

《KotlinMap映射转换问题小结》文章介绍了Kotlin集合转换的多种方法,包括map(一对一转换)、mapIndexed(带索引)、mapNotNull(过滤null)、mapKeys/map... 目录Kotlin 集合转换:map、mapIndexed、mapNotNull、mapKeys、map

nginx中端口无权限的问题解决

《nginx中端口无权限的问题解决》当Nginx日志报错bind()to80failed(13:Permissiondenied)时,这通常是由于权限不足导致Nginx无法绑定到80端口,下面就来... 目录一、问题原因分析二、解决方案1. 以 root 权限运行 Nginx(不推荐)2. 为 Nginx

解决1093 - You can‘t specify target table报错问题及原因分析

《解决1093-Youcan‘tspecifytargettable报错问题及原因分析》MySQL1093错误因UPDATE/DELETE语句的FROM子句直接引用目标表或嵌套子查询导致,... 目录报js错原因分析具体原因解决办法方法一:使用临时表方法二:使用JOIN方法三:使用EXISTS示例总结报错原

Windows环境下解决Matplotlib中文字体显示问题的详细教程

《Windows环境下解决Matplotlib中文字体显示问题的详细教程》本文详细介绍了在Windows下解决Matplotlib中文显示问题的方法,包括安装字体、更新缓存、配置文件设置及编码調整,并... 目录引言问题分析解决方案详解1. 检查系统已安装字体2. 手动添加中文字体(以SimHei为例)步骤

MySQL深分页进行性能优化的常见方法

《MySQL深分页进行性能优化的常见方法》在Web应用中,分页查询是数据库操作中的常见需求,然而,在面对大型数据集时,深分页(deeppagination)却成为了性能优化的一个挑战,在本文中,我们将... 目录引言:深分页,真的只是“翻页慢”那么简单吗?一、背景介绍二、深分页的性能问题三、业务场景分析四、

Linux进程CPU绑定优化与实践过程

《Linux进程CPU绑定优化与实践过程》Linux支持进程绑定至特定CPU核心,通过sched_setaffinity系统调用和taskset工具实现,优化缓存效率与上下文切换,提升多核计算性能,适... 目录1. 多核处理器及并行计算概念1.1 多核处理器架构概述1.2 并行计算的含义及重要性1.3 并

SpringSecurity整合redission序列化问题小结(最新整理)

《SpringSecurity整合redission序列化问题小结(最新整理)》文章详解SpringSecurity整合Redisson时的序列化问题,指出需排除官方Jackson依赖,通过自定义反序... 目录1. 前言2. Redission配置2.1 RedissonProperties2.2 Red

nginx 负载均衡配置及如何解决重复登录问题

《nginx负载均衡配置及如何解决重复登录问题》文章详解Nginx源码安装与Docker部署,介绍四层/七层代理区别及负载均衡策略,通过ip_hash解决重复登录问题,对nginx负载均衡配置及如何... 目录一:源码安装:1.配置编译参数2.编译3.编译安装 二,四层代理和七层代理区别1.二者混合使用举例

Java中的数组与集合基本用法详解

《Java中的数组与集合基本用法详解》本文介绍了Java数组和集合框架的基础知识,数组部分涵盖了一维、二维及多维数组的声明、初始化、访问与遍历方法,以及Arrays类的常用操作,对Java数组与集合相... 目录一、Java数组基础1.1 数组结构概述1.2 一维数组1.2.1 声明与初始化1.2.2 访问