最优化笔记:有约束优化,拉格朗日乘子的意义,KKT条件

有约束优化,拉格朗日乘子的意义,KKT条件

拉格朗日乘子法的引入

一个典型的带约束条件优化问题:
m i n x f ( x ) min_xf(x) minxf(x) s . t . g ( x ) = 0 s.t. g(x)=0 s.t.g(x)=0
x x x为二维变量为例,设: f ( x , y ) = d f(x,y)=d f(x,y)=d g ( x , y ) = c g(x,y)=c g(x,y)=c,如下图:
在这里插入图片描述
由图中可以看得出来,椭圆形的 f ( x , y ) f(x,y) f(x,y)符合约束条件的最小值在椭圆与红色曲线的切线处,在切线相交处两边的法向量刚好互为相反,即:
在这里插入图片描述
由此引入拉格朗日函数:
在这里插入图片描述

KKT条件

以上是 g ( x , y ) = 0 g(x,y)=0 g(x,y)=0的条件,下面是 g ( x , y ) &lt; = 0 g(x,y)&lt;=0 g(x,y)<=0的情况,
在不等式情况下,要求 λ g ( x ∗ , y ∗ ) = 0 \lambda g(x^*,y^*)=0 λg(x,y)=0的约束,此即KKT条件。

下图阴影部分即 g ( x , y ) &lt; 0 g(x,y)&lt;0 g(x,y)<0的情况,依据等式 λ g ( x ∗ , y ∗ ) = 0 \lambda g(x^*,y^*)=0 λg(x,y)=0,当 g ( x , y ) &lt; 0 g(x,y)&lt;0 g(x,y)<0时得 λ = 0 \lambda=0 λ=0意味着约束条件不起作用,此时的优化问题等同于无约束优化。
而在 g ( x , y ) = 0 g(x,y)=0 g(x,y)=0时,一般情况下 λ \lambda λ不等于0,此时 x , y x,y x,y的值落在曲线边界上,意味着约束条件起作用。
KKT的本质意义是帮助我们去理解哪些约束条件是真正起作用的。

在这里插入图片描述

多个约束条件的情况

最小化 f ( x ) f(x) f(x),多个约束条件 g i ( x ) &gt; = 0 g_i(x)&gt;=0 gi(x)>=0
在这里插入图片描述
此时拉格朗日函数写作:
在这里插入图片描述
x x x求导得方程:
∇ f ( x ) = ∑ i = 1 N λ i ∇ g i ( x ) \nabla f(x)=\sum_{i=1}^N\lambda_i\nabla g_i(x) f(x)=i=1Nλigi(x) K K T 条 件 : λ i ∇ g i ( x ) = 0 KKT条件:\lambda_i\nabla g_i(x) =0 KKTλigi(x)=0
在这里插入图片描述

评论
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