凸函数最优性条件

最新推荐文章于 2023-12-05 14:54:26 发布

再也不说我是谁

最新推荐文章于 2023-12-05 14:54:26 发布

阅读量1.1k

点赞数

分类专栏：凸优化理论文章标签：机器学习算法人工智能

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/qq_14952615/article/details/122453213

版权

凸优化理论专栏收录该内容

16 篇文章 11 订阅

订阅专栏

本文中，我们主要讨论一下凸函数什么时候可以取到最小值(通常这么讨论哈，可以是最大值)。

老规矩，首先给出结论分为两种情况：

凸函数取最小值，的条件为： $0 \in \partial f(x) + N(\hat{x})$

这个条件的意思是什么呢？

意思是要么0 在次梯度集合中，要么负梯度方向在不可行方向集合中。

具体的，第一个条件，我们先简单证明一下。

如果函数存在次梯度，更具凸函数定义2

$f(y) \geq f(x) + \partial f(x)(y-x)$

如果

$0 \in \partial f(x)$ ，即次梯度能取0

则 $f(y) \geq f(x)$ 恒成立，则此时函数值最小

上述情况对于x1 点是比较容易理解的，因为x1 这里所有方向都是可行方向。

但是对于x2这一点而言，其实想要x2是最优点，那么我们只需要得到负梯度方向在蓝色弧形区域就可以了。其中红色弧形区域是x2这一点的可行方向，称为切锥。蓝色弧形则是法锥，用 $N(\hat{x})$ 表示。因此在x2 这一点，我们需要的最优性条件为

$-\bigtriangledown f(x2) \in N(\hat{x})$

其中负梯度方向是函数下降方向。这个条件的意义为没有下降方向了，那么意思就是函数不能减小了。因此x2 是最优点

再也不说我是谁

关注

0
点赞
踩
1

收藏

觉得还不错? 一键收藏
0
评论
凸函数最优性条件

本文中，我们主要讨论一下凸函数什么时候可以取到最小值(通常这么讨论哈，可以是最大值)。老规矩，首先给出结论分为两种情况：凸函数取最小值，的条件为：这个条件的意思是什么呢？意思是要么0 在次梯度集合中，要么负梯度方向在不可行方向集合中。具体的，第一个条件，我们先简单证明一下。如果函数存在次梯度，更具凸函数定义2如果，即次梯度能取0则恒成立，则此时函数值最小上述情况对于x1 点是比较容易理解的，因为x1 这里所有方向都是可行方向。但是对于x2这一点..
复制链接

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。