凸优化第五章对偶 5.7例子

最新推荐文章于 2024-11-03 23:23:42 发布

「已注销」

最新推荐文章于 2024-11-03 23:23:42 发布

阅读量763

点赞数

CC 4.0 BY-SA版权

分类专栏：凸优化

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.youkuaiyun.com/wangchy29/article/details/87016201

本文探讨了凸优化中通过引入新变量和等式约束来改变原问题，以得到更易于求解的对偶问题。举例说明了如何通过等价变换简化无约束问题及其对偶问题，以及如何处理隐式约束，展示了如何从原问题构造对偶问题，以优化求解过程。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

5.7例子

引入新的变量以及相应的等式约束
隐式约束

一个问题的等价问题会得到非常不一样的对偶问题。有些时候利用原问题的等价问题是非常有用的，因为原问题的对偶问题可能很难求解或者不是我们所感兴趣的，而其等价问题的对偶问题却容易求解。

引入新的变量以及相应的等式约束

例子1

考虑如下无约束问题：

$minimize \,\,f_0(Ax+b)$

此问题的对偶问题是他本身，没有什么意义。

现在引入新的变量y，y=Ax+b，此时问题：

$minimize \,\, f_0(y) \\ subject \, \,to\,\, Ax+b-y=0$

此时问题与原问题等价，此问题的对偶函数是：

$g(\lambda )=\underset{x,y}{inf}L(x,y,\lambda)=\underset{x,y}{inf}f_0(y)+\lambda ^T(Ax+b-y)$

通过对x极小化， $g(\lambda)$ 存在下界当且仅当 $\lambda^TA=0$ ，对y极小化 $\underset{y}{inf}(f_0(y)-\lambda^Ty)=-\underset{y}{sup}(-f_0(y)+\lambda^Ty)=-f_0^*(y)$

所以

最低0.47元/天解锁文章

200万优质内容无限畅学

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

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。