非线性规划中的解可能为局部极小值，不同于线性规划的全局最优解。局部极小值是函数在某区域内达到的最小值，而全局极小值是整个函数范围内的最小值。在凸规划中，局部极小值即为全局极小值。寻找全局最优解在存在多个局部极小值的情况下是个挑战。
本文主要内容包括：
- 1. 局部极小值与全局极小值（local and global minimizers）
- 参考文献
1. 局部极小值与全局极小值（local and global minimizers）
非线性规划与线性规划（凸规划，所以最优解就是整个可行域的全局最优解）有一个不同之处就是，非线性规划求出的解是一部分可行域上的极值点，但不一定是整个可行域上的全局最优解。
局部极小值定义：
全局极小值定义：
下图给出了一个存在很多局部极小值的函数
，对于像这样的函数，寻找全局最优会很困难，因为算法往往被“困”在局部极小值上。有一类规划问题很特殊，它是凸规划（目标函数和约束条件为凸函数，
最低0.47元/天 解锁文章
扫一扫
608
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
