凸优化第五章对偶 5.6 扰动及灵敏度分析

最新推荐文章于 2024-07-06 15:44:29 发布

使君杭千秋

最新推荐文章于 2024-07-06 15:44:29 发布

阅读量898

点赞数 2

分类专栏：凸优化

原文链接：https://blog.csdn.net/wangchy29/article/details/86929614

版权

凸优化专栏收录该内容

62 篇文章 50 订阅

订阅专栏

5.6 扰动及灵敏度分析

扰动的问题
全局不等式
局部灵敏度分析

扰动的问题

原问题和对偶问题

$\begin{matrix} minimize \, \, f_0(x)\\subject \, \, to \, \, f_i(x)\leq 0,i=1,\cdots m\\h_i(x)=0,i=1,\cdots p \end{matrix}$ $&maximize \, \, g(\lambda,v) \\subject \, \, to \, \, \lambda \succeq 0$

扰动的问题：

$\begin{matrix} minimize \, \, f_0(x)\\subject \, \, to \, \, f_i(x)\leq u_i,i=1,\cdots m\\h_i(x)=l_i,i=1,\cdots p \end{matrix}$

u_i> 0 表示放宽约束， u_i<0 表示加紧约束。记 P^*(u,l) 为扰动后问题的最优值。

扰动后的对偶问题：

$&maximize \, \, g(\lambda,v)-u ^T\lambda-l^Tv \\subject \, \, to \, \, \lambda \succeq 0$

全局不等式

假设强对偶性成立，且对偶问题可以达到最优值，且 $\lambda^*,v^*$ 是未扰动的对偶问题的最优解，有如下结论：

$p^*(u,l)\geq p^*(0,0)-(\lambda^*)^T u-(v^*)^Tl$

证明：

根据强对偶性： $p^*(0,0)=g(\lambda^*,v^*)$ ，假设x是扰动问题的任意可行解，根据定义，可知 $g(\lambda^*,v^*)\leq f_0(x)+\sum_{i=1}^m\lambda^*_if_i(x)+\sum_{i=1}^pu^*_ih_i(x)$

又因为扰动后的约束条件变成： $f_i(x)\leq u_i,i=1,\cdots m \\ h_i(x)=l_i,i=1,\cdots p$

所以

$g(\lambda^*,v^*)\leq f_0(x)+\sum_{i=1}^m\lambda^*_if_i(x)+\sum_{i=1}^pu^*_ih_i(x)\\ \leq f_0(x)+\sum_{i=1}^m\lambda^*_iu_i+\sum_{i=1}^pu^*_il_i=f_0(x)+(\lambda^*)^Tu+(v^*)^Tl$

$\Rightarrow$ $f_0(x)\geq p^*(0,0)-(\lambda^*)^T u-(v^*)^Tl$

$\Rightarrow p^*(u,l)\geq p^*(0,0)-(\lambda^*)^T u-(v^*)^Tl$

灵敏度解释

如果 $\lambda_i^*$ 比较大，加强第i个约束，即，则最优值会大幅增加。
如果 $\lambda_i^*$ 比较小，放松第i个约束，即，则最优值不会减小太多。
如果比较大且大于0，，或者如果比较大且小于0，，则最优值会大幅增加。
如果比较小且大于0，，或者如果比较大且小于0，，则最优值不会减少太多。

局部灵敏度分析

假设 p^*(u,l) 在u=0,l=0处可微，假设强对偶性成立，最优对偶变量 $\lambda^*,v^*$ 可以和 p^* 在u=0,v=0处的梯度联系起来：

$\lambda_i^*=-\frac{\partial P^*(0,0) }{\partial u_i},v_i^*=-\frac{\partial P^*(0,0) }{\partial l_i}$

证明：

假设 p^* 可微，且强对偶性成立，扰动 u=te_i,l=0 ，其中 e_i 是单位向量，第i个分量是1，

$\lim_{t\rightarrow 0}\frac{P^*(te_i,0)-P^*(0,0)}{t}=\frac{\partial P^*(0,0) }{\partial u_i}$

根据 $p^*(u,l)\geq p^*(0,0)-(\lambda^*)^T u-(v^*)^Tl$

当 t>0 时，

$\frac{P^*(te_i,0)-P^*(0,0)}{t}\geq -(\lambda ^*)^T(te_i)/t=-\lambda_i^*$

取极限 $t\rightarrow 0$ 时，得到

$\lim_{t\rightarrow 0}\frac{P^*(te_i,0)-P^*(0,0)}{t}=\frac{\partial P^*(0,0) }{\partial u_i}\geq -\lambda_i^*$

当 t<0 时，

$\frac{P^*(te_i,0)-P^*(0,0)}{t}\leq -(\lambda ^*)^T(te_i)/t=-\lambda_i^*$

取极限 $t\rightarrow 0$ 时，得到

$\lim_{t\rightarrow 0}\frac{P^*(te_i,0)-P^*(0,0)}{t}=\frac{\partial P^*(0,0) }{\partial u_i}\leq -\lambda_i^*$

所以 $\lambda_i^*=-\frac{\partial P^*(0,0) }{\partial u_i}$

同理 $v_i^*=-\frac{\partial P^*(0,0) }{\partial l_i}$

解释：稍稍加强第i个不等式约束，即选择一个数值较小且小于零的 u_i ，会使得 P^* 增加大约 $-\lambda_i^*u_i$ ，稍稍放松第i个约束，即选择一个数值较小且大于零的 u_i ，会使得 P^* 减小大约 $\lambda_i^*u_i$ 。

来源：https://blog.csdn.net/wangchy29/article/details/86929614

使君杭千秋

关注

2
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
复制链接

分享到 QQ

分享到新浪微博

扫一扫

专栏目录

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。