![](https://img-blog.csdnimg.cn/2019091813595558.png?x-oss-process=image/resize,m_fixed,h_224,w_224)
优化问题
文章平均质量分 83
最优化:建模、算法与理论
你回到了你的家
这个作者很懒,什么都没留下…
展开
-
二 基础知识
一、范数1.1 向量范数定义2.1(范数)称一个从向量空间Rn\mathbb{R}^nRn到实数域R\mathbb{R}R的非负函数||⋅\cdot⋅||为范数,如果它满足:正定性:对于所有的v∈Rv\in\mathbb{R}v∈R,有∥v∥≥0\Vert v\Vert\ge 0∥v∥≥0,且∥v∥=0\Vert v\Vert=0∥v∥=0当且仅当v=0v=0v=0齐次性:对于所有的v∈Rv\in\mathbb{R}v∈R和α∈R\alpha\in\mathbb{R}α∈R,有∥αv∥=∣α∣∥原创 2021-09-09 08:55:04 · 857 阅读 · 0 评论 -
0 最优化问题数学概念补充
仿射集仿射集相关定义与证明给定空间的两个点x1,x2∈Rnx_1,x_2\in \mathbb{R}^nx1,x2∈Rn,我们可以确定一条过这两个点的直线:y=θx1+(1−θ)x2=x2+θ(x1−x2)y=\theta x_1+(1-\theta)x_2=x_2+\theta(x_1-x_2)y=θx1+(1−θ)x2=x2+θ(x1−x2)也就是我们从x2x_2x2出发,沿着x1−x2x_1-x_2x1−x2的方向任意变化θ\thetaθ值,这样就可以画出来整个一条直线。若原创 2021-10-28 11:14:20 · 112 阅读 · 0 评论 -
一、最优化简介
二、实例:稀疏优化考虑线性方程组求解问题:Ax=b,(1.2.1)Ax=b,\quad\quad\quad\quad\quad(1.2.1)Ax=b,(1.2.1)其中向量 x∈Rnx\in\mathbb{R}^nx∈Rn,b∈Rmb\in\mathbb{R}^mb∈Rm,矩阵A∈Rm×nA\in\mathbb{R}^{m\times n}A∈Rm×n,且向量 bbb 的维数远小于向量 xxx的维数,即 m≪nm ≪ nm≪n.在自然科学和工程中常常遇到已知向量 bbb 和矩阵 AAA,想要重构向量原创 2021-10-26 20:05:12 · 1446 阅读 · 0 评论 -
七、约束优化算法
大量的数学问题需要解决 OvO这一节考虑约束优化问题:minf(x)s.t.x∈X(7.0.1)\min\quad f(x)\quad\quad\quad\quad\quad\quad\quad\\s.t. \quad x\in\mathcal{X}\quad\quad\quad\quad(7.0.1)minf(x)s.t.x∈X(7.0.1)这里x⊂Rnx\subset\mathbb{R}^nx⊂Rn为问题的可行域.与无约束问题不同,约束优化问题中自变量xxx不能任意取值,这导致许多无约束优化算法原创 2021-10-26 19:35:51 · 1729 阅读 · 0 评论 -
六、无约束优化算法
本章考虑如下无约束优化问题:minx∈Rnf(x)(6.0.1)\min\limits_{x\in\mathbb{R}^n}f(x)\quad\quad(6.0.1)x∈Rnminf(x)(6.0.1)其中f(x)f(x)f(x)是Rn→R\mathbb{R}^n\to\mathbb{R}Rn→R的函数。一、线搜索方法数学表述为:给定当前迭代点xkx^kxk,首先通过某种算法选取向量dkd^kdk,之后确定正数αk\alpha^kαk,则下一步的迭代点可写作:xk+1=xk+αkdk(6.1.原创 2021-09-22 21:25:23 · 1638 阅读 · 0 评论 -
五、最优性理论
一、最优化问题解的存在性考虑优化问题(5.1.1):minx∈Rnf(x)s.t.x∈X(5.1.1)\min\limits_{x\in\mathbb{R}^n}\quad f(x)\\s.t.\quad x\in\mathcal{X}\quad\quad(5.1.1)x∈Rnminf(x)s.t.x∈X(5.1.1)其中x∈Xx\in\mathcal{X}x∈X为可行域,对于问题(5.1.1),首先要考虑的是最优解的存在性,然后考虑如何求出其最优解。数学分析中Weierstrass定理说明,定义原创 2021-09-19 18:52:35 · 2402 阅读 · 0 评论 -
优化数学基础
一、线性代数1.1 矩阵内积与迹类似于向量的内积,我们可以定义矩阵的内积。具体地,对于两个m×nm\times nm×n的矩阵A,BA,BA,B,其内积定义为:⟨A,B⟩=∑i,jaijbij\langle A,B\rangle=\sum\limits_{i,j}a_{ij}b_{ij}⟨A,B⟩=i,j∑aijbij从定义可以看出⟨A,B⟩=⟨B,A⟩\langle A,B\rangle=\langle B,A\rangle⟨A,B⟩=⟨B,A⟩。对于方阵A∈Rm×mA\in\mathbb{原创 2021-09-21 10:30:31 · 69 阅读 · 0 评论