无约束优化

本文深入探讨无约束优化问题,包括二次优化、最小二乘问题和强凸性概念。阐述了次优性条件、▽2f(x)的上界和下水平集的条件数,并详细介绍了下降方法,如精确和回溯直线搜索,以及梯度和最速下降方法。Newton方法作为重点,讨论了Newton步径、二阶近似解和Newton减量。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

本章进入凸优化问题的求解、算法阶段。

无约束优化问题

本文讨论一下无约束问题:

minf(x)minf(x)

其中,ff是二次可微凸函数。假定该问题可解,即存在最优解 x ,用pp⋆表示最优值为:infxf(x)=f(x)infxf(x)=f(x⋆)

因为ff可微,则最优点 x 满足以下条件:

f(x)=0▽f(x⋆)=0

在特殊情况下,我们可以通过解析法求解最优性方程,但大多数情况下没有办法求得解析解。因此,最常见的方法是使用迭代法。

我们需要计算点列:x(0),x(1),..x(0),x(1),..,使得k,f(x(k))pk→∞,f(x(k))→p⋆。使用ϵϵ表示容许误差值,当f(x(k))pϵf(x(k))−p⋆≤ϵ时,算法终止。

例子p438p438

二次优化

min(1/2)xTPx+qTx+rmin(1/2)xTPx+qTx+r

很容易我们可以对其求导得到Px+q=0Px⋆+q=0

因此,若PP为正定矩阵,则存在唯一解 x = P 1 q

若此方程无解,则优化问题无下界。

最小二乘

作为二次优化的特例:

min||Axb||22=xT(ATA)x2(ATb)Tx+bTbmin||Ax−b||22=xT(ATA)x−2(ATb)Tx+bTb

其最优性解为其正规方程

ATAx=ATbATAx⋆=ATb

强凸性

强凸是指:

2f(x)mI▽2f(x)⪰mI

对任意xSx∈S都成立。这里的2f(x)▽2f(x)表示Hessian矩阵

我们可以通过强凸性推导出有意义的方程。

次优性条件

f(y)=f(x)+f(x)T(yx)+12(yx)T2f(z)(yx)f(x)+f(x)T(yx)+m2||yx||22(1)(2)(1)f(y)=f(x)+▽f(x)T(y−x)+12(y−x)T▽2f(z)(y−x)(2)≥f(x)+▽f(x)T(y−x)+m2||y−x||22

m=0m=0时,上式变为凸性的基本不等式(一阶可微),当m0m≥0时,对f(y)f(y)的下界得到了更好的估计结果。

对上式进行求导可得:

f(x)+m(yx)=0▽f(x)+m(y−x)=0

因此,带入原式可得:

f(y)f(x)+f(x)T(yx)+m2
评论 1
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