拉格朗日乘数法,拉格朗日对偶和KKT约束

本文介绍了拉格朗日乘数法及其在解决约束优化问题中的应用,如求解距离原点最近的点。接着讨论了拉格朗日对偶问题,展示了如何通过构造拉格朗日函数来消除约束条件,并定义了原始问题和对偶问题之间的关系。最后,阐述了Karush-Kuhn-Tucker(KKT)条件,作为判断原始问题和对偶问题极值相等时必须满足的条件,特别是对于凸优化问题和仿射函数约束的情况。
拉格朗日乘数法

拉格朗日乘数法是求变量在一个或多个约束下的极值问题

eg:已知双曲线 xy=3xy=3xy=3,求曲线上距离原点最近的点。
由题我们可以得出如下式子:
minf(x,y)=x2+y2 min f(x,y) =x^{2}+y^{2} minf(x,y)=x2+y2
\qquad\qquad\qquad\qquad\qquad\qquad\qquad\qquad subject to constraint xy=3xy=3xy=3 \quad →\to \quad g(x,y)=3g(x,y)=3g(x,y)=3
解:
求极值,意味着两条线在极值点处相切,即 Δf=λ∗Δg{\Delta f} = \lambda * \Delta gΔf=λΔg
Δf(x,y)Δx=2x=λ∗Δg(x,y)Δx=λ∗y \frac{\Delta f\left ( x,y\right )}{\Delta x} = 2x = \lambda * \frac{\Delta g\left ( x,y\right )}{\Delta x} = \lambda * y ΔxΔf(x,y)=2x=λΔxΔg(x,y)=λy
Δf(x,y)Δy=2y=λ∗Δg(x,y)Δy=λ∗x \frac{\Delta f\left ( x,y\right )}{\Delta y} = 2y = \lambda * \frac{\Delta g\left ( x,y\right )}{\Delta y} = \lambda * x ΔyΔf(x,y)=2y=λΔyΔg(x,y)=λx
g(x,y)=3 g(x,y) = 3 g(x,y)=3
2x−λy=02x-\lambda y =02xλy=0
λx−2y=0\lambda x-2y=0λx2y=0
xy=3xy=3xy=3
上述三个方程可以化解成矩阵进行求解:
[2−λλ−2]∗[xy]=[00] \begin{bmatrix} 2 & -\lambda \\ \lambda & -2 \\ \end{bmatrix} * \begin{bmatrix} x \\ y \\ \end{bmatrix} = \begin{bmatrix} 0 \\ 0 \\ \end{bmatrix}

评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值