User Tools

Site Tools


keynote:lesson15

Differences

This shows you the differences between two versions of the page.

Link to this comparison view

Both sides previous revision Previous revision
Next revision
Previous revision
Next revision Both sides next revision
keynote:lesson15 [2010/06/29 16:43]
20921074
keynote:lesson15 [2010/07/02 12:27]
10607023
Line 1: Line 1:
 +λ
 ====== 第十五课 ====== ​ ====== 第十五课 ====== ​
 最优化方法 3 最优化方法 3
Line 157: Line 158:
 定义:设x*是K-T点,λ*称为相应的Lagrange乘子,托存在序列{d<​sub>​k</​sub>​}和{δ<​sub>​k</​sub>​ >​0}使得\\ 定义:设x*是K-T点,λ*称为相应的Lagrange乘子,托存在序列{d<​sub>​k</​sub>​}和{δ<​sub>​k</​sub>​ >​0}使得\\
 {{:​keynote:​yq-3.png|}} \\ {{:​keynote:​yq-3.png|}} \\
-且有d<​sub>​k</​sub>​->​d,​ δ<​sub>​k</​sub>​ ->0,+且有d<​sub>​k</​sub>​->​d,​ δ<​sub>​k</​sub>​ ->0,则称d为x*处的序列零约束方向。在x*处的所有序列零约束方向的几何为S(x*,​λ*)。\\ 
 + 
 +二阶必要性条件:\\ 
 +设x*为局部极小点,λ*称为相应的Lagrange乘子,则必有\\ 
 +d<​sub>​T</​sub>​∇<​sub>​xx</​sub><​sup>​2</​sup>​L(x*,​λ*)d≥0,​∀d⊂S(x*,​λ*).\\ 
 +其中L(x,​λ)为Lagrange函数。\\ 
 + 
 +稍加强可得充分性条件:\\ 
 +设x*为K-T点,λ*称为相应的Lagrange乘子。若\\ 
 +d<​sub>​T</​sub>​∇<​sub>​xx</​sub><​sup>​2</​sup>​L(x*,​λ*)d>​0,​∀0≠d⊂S(x*,​λ*),​则\\ 
 +x*为局部严格极小点。\\ 
 + 
 +2.2 可行方向法\\ 
 +可行方向法即要去每次迭代产生的点x<​sup>​k</​sup>​都是约束优化问题的可行点。\\ 
 +关键在于每一步寻找可行下降方向:\\ 
 +d<​sup>​T</​sup>​∇f(x<​sub>​k</​sub>​)<​0,​d∈FD(x<​sub>​k</​sub>,​X).\\ 
 +可行方向:设x<​sup>​-</​sup>​⊂X,​0≠d⊂R<​sup>​n</​sup>,​如存在δ>​0使得x<​sup>​-</​sup>​+td⊂X,则称d为x<​sup>​-</​sup>​处的可行方向。X在x<​sup>​-</​sup>​处的所有可行方向集合记为FD(x<​sup>​-</​sup>,​X)。\\ 
 + 
 +广义消去法\\ 
 +考虑等式约束问题:\\ 
 +min f(x). \\ 
 +s.t. c(**x**)=0\\ 
 +设有变量分解x=[X<​sub>​B</​sub>,​x<​sub>​N</​sub>​]<​sub>​T</​sub>,​其中x<​sub>​B</​sub>​⊂R<​sub>​m</​sub>,​ x<​sub>​N</​sub>​⊂R<​sub>​n-m</​sub>​.\\ 
 +则c(x)=0可改写为:\\ 
 +c(x<​sub>​B</​sub>,​x<​sub>​N</​sub>​)=0. ​    (1) \\ 
 +假定可以从(1)解出x<​sub>​B</​sub>​=Φ(x<​sub>​N</​sub>​),​则原问题等价于\\ 
 +{{:​keynote:​yq-4.png|}}\\ 
 +称{{:​keynote:​yq-5.png|}}为既约梯度。\\ 
 + 
 +不难验证\\ 
 +{{:​keynote:​yq-6.png|}}\\ 
 + 
 +从(1)可得\\ 
 +{{:​keynote:​yq-7.png|}}\\ 
 +假设{{:​keynote:​yq-8.png|}}非奇异,可得到\\ 
 +{{:​keynote:​yq-9.png|}}\\ 
 + 
 +令{{:​keynote:​yq-10.png|}},则发现可以将\\ 
 +既约梯度写成Largrange函数在既约空间上的梯度\\ 
 +{{:​keynote:​yq-11.png|}}\\ 
 +或者说,有\\ 
 +{{:​keynote:​yq-12.png|}}\\ 
 + 
 +故既约梯度可看作Lagrange函数之梯度的非零部分。利用既约梯度,可以构造无约束优化问题的线搜索方向。\\ 
 +例如可取最速下降方向:​\\ 
 +{{:​keynote:​yq-13.png|}}\\ 
 +或拟牛顿方向:\\ 
 +{{:​keynote:​yq-14.png|}}\\ 
 +在无约束问题上作线性搜索,等价于对原目标函数f(x)在曲线\\ 
 +{{:​keynote:​yq-15.png|}} 
 +上作曲线搜索。因为Φ(x)的解析表达式并不知道,故作一维搜索时,每个试探步长α>​0都要用(2)来求解x<​sub>​B</​sub>​. 
 + 
 + 
 + 
 + 
 + 
 + 
 + 
 + 
 + 
 + 
  
  
Line 164: Line 226:
 <​sup></​sup>​ <​sup></​sup>​
 <note important>​edit by20921074 余权</​note>​ <note important>​edit by20921074 余权</​note>​
 +
 +变量消去法 \\
 +1.给出可行点//​x//<​sub>​1</​sub>​,ε≥0,//​k//​=1 \\
 +2.计算{{:​keynote:​y1.jpg|}},其中划分使得//​A//<​sub>//​B//</​sub>​非奇异;\\
 +计算{{:​keynote:​15-2.png|}}及{{:​keynote:​15-3.png|}} \\
 +3.如果{{:​keynote:​15-04.jpg|}},则停止;否则利用某种方式产生下降方向{{:​keynote:​15-05.jpg|}},即使得{{:​keynote:​15-06.jpg|}}; \\
 +4.{{:​keynote:​15-07.jpg|}}进行线性搜索给出//​α//<​sub>//​k//</​sub>​ >​0,令{{:​keynote:​15-08.jpg|}} \\
 +转2步。 \\
 +
 +<note important>​edit by 10607023 俞荣栋</​note>​
keynote/lesson15.txt · Last modified: 2023/08/19 21:02 (external edit)