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,...,mhi(x)=0,i=1,…,p
以上的 fi(x)
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。
以上的 fi(x)