凸优化拉格朗日对偶

最新推荐文章于 2024-05-11 11:24:58 发布

VIP文章 JonTargaryen

最新推荐文章于 2024-05-11 11:24:58 发布

阅读量1.5k

点赞数 1

文章标签：优化图优化机器学习

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.csdn.net/JonTargaryen/article/details/78937671

版权

一般的优化问题，通常的做法是对原函数求导数，导数为0的点为局部最优，而对于凸函数，导数为0的点即为全局最优。

对于有限制条件的优化问题，直接求导令导数为0，直接求得最优值往往是不现实的。因为导数为0的解很有可能不满足限制条件。

这个时候就可以利用拉格朗日对偶（Lagrange duality）来“去掉”限制条件。

优化问题

minimize subject to f 0 (x) f i (x) \leq 0, i = 1, . . ., m h i (x) = 0, i = 1, \dots, p

$\begin{align} \text{minimize } & f_0(x)\\ \text{subject to } &f_i(x) \leq 0,i=1,...,m\\ &h_i(x)=0,i=1,…,p\\ \end{align}$

以上的 fi(x)

最低0.47元/天解锁文章

关注

1
点赞
踩
5

收藏

觉得还不错? 一键收藏
0
评论
凸优化拉格朗日对偶

一般的优化问题，通常的做法是对原函数求导数，导数为0的点为局部最优，而对于凸函数，导数为0的点即为全局最优。对于有限制条件的优化问题，直接求导令导数为0，直接求得最优值往往是不现实的。因为导数为0的解很有可能不满足限制条件。这个时候就可以利用拉格朗日对偶（Lagrange duality）来“去掉”限制条件。优化问题minimize subject to f0(x)fi(x)≤0,i=1,...,m
复制链接

扫一扫

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。