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:
其中,ff是二次可微凸函数。假定该问题可解,即存在最优解 ,用p⋆p⋆表示最优值为:infxf(x)=f(x⋆)infxf(x)=f(x⋆)。
因为ff可微,则最优点 满足以下条件:
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))→p⋆k→∞,f(x(k))→p⋆。使用ϵϵ表示容许误差值,当f(x(k))−p⋆≤ϵf(x(k))−p⋆≤ϵ时,算法终止。
例子p438p438
二次优化
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 。
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:
其最优性解为其正规方程:
强凸性
强凸是指:
对任意x∈Sx∈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
当m=0m=0时,上式变为凸性的基本不等式(一阶可微),当m≥0m≥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:
因此,带入原式可得: