KKT条件

m0_50538723

已于 2022-06-13 22:55:26 修改

阅读量172

点赞数

分类专栏：论文文章标签：其他

于 2022-05-16 14:53:29 首次发布

本文链接：https://blog.csdn.net/m0_50538723/article/details/124793882

版权

论文专栏收录该内容

1 篇文章 0 订阅

订阅专栏

本文深入解析Karush-Kuhn-Tucker（KKT）条件在优化问题中的应用。通过示例解释了为何在某些情况下，沿着某些函数的负梯度方向搜索能改善优化结果，而对已满足条件的函数继续优化可能并不总是有益。内容涉及梯度方向、切线和负梯度的概念，并讨论了优化策略的选择。

摘要由CSDN通过智能技术生成

转载：解密KKT条件

补充：
1、
在这里插入图片描述
这里当在X2处因为g1(x),g2(x)与X2相交，所以这两个函数取值为0，然后看他们与X2相交的交点，沿着他们的负梯度方向继续找，因为现在的值是0，想要得到小于0的值，应该沿着负梯度。这里的负梯度，拿g1(x)为例，看他与X2交点，做切线，沿切线反方向找，即负梯度
在这里插入图片描述
（这里蓝色箭头是梯度方向，可能在x2处不太明显，但是看x3处与g3(x)g2(x)交点，即橙色箭头，还有x4*处交点，他们的负梯度方向很明显，即紫色箭头）

“至于这个时候需不需要管g3(x)呢？正常来说管不管都可以，如果管了，也取g3在x2处的梯度的话，因为g3已经满足了小于0的条件，这个时候在取在x2处的梯度，你能保证它是往好的变了还是往差的变了？答案是都有可能。运气好，往好的变了，可以更快得到结果，运气不好，往差的变了，反而适得其反。”这里意思就是说，现在g3(x)已经满足条件了，如果还沿着他的负梯度方向找，得到的结果不一定会对最后结果产生好影响，但是如果对g1(x),g2(x)进行优化，结果一定比现在好。