KKT条件相对应的是拉格朗日条件
KKT对应是unequality constraint;拉格朗日乘子对应的是Equality constraint。
Eg:
Minimize:
f
(
x
1
,
x
2
)
=
x
1
2
+
x
2
2
−
14
x
1
−
6
x
2
f(x_1,x_2) = x_12 + x_2^2 - 14x_1 - 6x_2
f(x1,x2)=x12+x22−14x1−6x2
st. $g_1(x_1,x_2) = x_1 + x_2 - 2 <= 0 $
g
2
(
x
1
,
x
2
)
=
x
1
+
2
x
2
−
3
<
=
0
g_2(x_1,x_2) = x_1 + 2x_2 - 3 <= 0
g2(x1,x2)=x1+2x2−3<=0
Solution:
L
(
x
1
,
x
2
,
λ
1
,
λ
2
)
=
x
1
2
+
x
2
2
−
14
x
1
−
6
x
2
+
λ
1
(
x
1
+
x
2
−
2
)
+
λ
2
(
x
1
+
2
x
2
−
3
)
L(x_1,x_2,\lambda_1,\lambda_2) = x_12 + x_2^2 - 14x_1 - 6x_2 + \lambda_1(x_1 + x_2 - 2) + \lambda_2(x_1 + 2x_2 - 3)
L(x1,x2,λ1,λ2)=x12+x22−14x1−6x2+λ1(x1+x2−2)+λ2(x1+2x2−3)
对于上述的求导过程:假设
g
1
和
g
2
g_1和g_2
g1和g2都是active的
L
x
1
=
2
x
1
−
14
+
λ
1
+
λ
2
=
0
L_{x_1} = 2x_1 -14 + \lambda_1+\lambda_2 = 0
Lx1=2x1−14+λ1+λ2=0
L
x
2
=
2
x
2
−
6
+
λ
1
+
2
λ
2
=
0
L_{x_2} = 2x_2 -6 + \lambda_1+2\lambda_2 = 0
Lx2=2x2−6+λ1+2λ2=0
L
λ
1
=
x
1
+
x
2
−
2
=
0
L_{\lambda_1} = x_1 + x_2 - 2 = 0
Lλ1=x1+x2−2=0
L
λ
2
=
x
1
+
2
x
2
−
3
=
0
L_{\lambda_2} = x_1 + 2x_2 - 3 = 0
Lλ2=x1+2x2−3=0
因此,我们需要将每一个未知变量求解出来:
即
x
1
,
x
2
,
λ
1
,
λ
2
x_1,x_2,\lambda_1,\lambda_2
x1,x2,λ1,λ2,根据上面的4个等式,我们得到的结果是:
[
2
0
1
1
0
2
1
2
1
1
0
0
1
2
0
0
]
[
x
1
x
2
λ
1
λ
2
]
=
[
14
6
2
3
]
\begin{bmatrix}2&0&1&1\\0&2&1&2\\1&1&0&0\\1&2&0&0\end{bmatrix}\begin{bmatrix}x_1\\x_2\\\lambda_1\\\lambda_2\end{bmatrix} = \begin{bmatrix}14\\6\\2\\3\end{bmatrix}
⎣⎢⎢⎡2011021211001200⎦⎥⎥⎤⎣⎢⎢⎡x1x2λ1λ2⎦⎥⎥⎤=⎣⎢⎢⎡14623⎦⎥⎥⎤
这个是一个具有唯一解的矩阵,对应的解为:
x
1
=
1
,
x
2
=
1
,
λ
1
=
20
,
λ
2
=
−
8
x_1 = 1,x_2 = 1,\lambda_1 = 20,\lambda_2 = -8
x1=1,x2=1,λ1=20,λ2=−8,但是这里,不符合KKT的应用条件,因为在这里,$\lambda_1 > 0 $ 但是$\lambda_2 < 0
,
这
个
是
不
满
足
K
K
T
条
件
的
,
因
此
,
在
这
里
,
我
们
对
于
,这个是不满足KKT条件的,因此,在这里,我们对于
,这个是不满足KKT条件的,因此,在这里,我们对于\lambda_1和\lambda_2
对
于
两
个
不
等
式
约
束
,
因
此
采
用
不
同
的
激
活
的
方
法
,
首
先
需
要
满
足
s
t
的
条
件
,
再
判
断
对于两个不等式约束,因此采用不同的激活的方法,首先需要满足st的条件,再判断
对于两个不等式约束,因此采用不同的激活的方法,首先需要满足st的条件,再判断\lambda_i$的参数是否是 >0的。从而得到最优解。
KKT条件定理:
L
(
x
,
α
,
β
)
=
f
(
x
)
+
∑
a
i
g
i
(
x
)
+
∑
β
i
h
i
(
x
)
L(x,\alpha,\beta) = f(x) + \sum a_ig_i(x) + \sum \beta_ih_i(x)
L(x,α,β)=f(x)+∑aigi(x)+∑βihi(x),在这中间,g 是不等式约束,h 是等式约束。KKT所满足的条件,一定满足最优解下面的几个因素。
st.
(1):L对于每一个x求导的结果为0
(2):h(x) = 0
(3):
∑
a
i
g
i
(
x
)
=
0
a
i
≥
0
\sum a_ig_i(x) = 0 \ \ \ a_i\geq0
∑aigi(x)=0 ai≥0
我对于第3个式子的理解如下,首先是我们需要满足
g
i
(
x
)
≤
0
g_i(x) \leq 0
gi(x)≤0 的这个条件,也就是说,某一次的g(x)在为最优解的时候起作用,那么这次的系数的值可以不为0。如果这个系数没有起作用,那么这个系数必须为0。
这样的理解,会引起一个问题,当
∑
a
i
g
i
(
x
)
=
0
\sum a_ig_i(x) = 0
∑aigi(x)=0中,不等式的数量很多,这样就会有很多的不等式约束的组合。因此,我们换一个角度理解,我们两两进行谈论不就可以了,为什么采用两个进行分析,因为两个,就只有一种情况,就是你增我减,如果存在的变量的数太多,那样就不知道到底如何调节哪一部分进行调整。
这个在之后的SMO算法实现SVM中就有使用。