1、问题和术语
我们就是求这样的一个问题:
min
x
∈
R
n
f
(
x
)
s
t
C
i
(
x
)
=
0
,
i
∈
E
C
i
(
x
)
≥
0
,
i
∈
I
\min_{x\in\mathbb{R}^n} f(x) \\ st ~C_i(x)=0,~i\in\mathbb{E}\\ ~~~C_i(x)\ge0,~i\in\mathbb{I}
x∈Rnminf(x)st Ci(x)=0, i∈E Ci(x)≥0, i∈I其中
x
∈
R
n
x\in\mathbb{R}^n
x∈Rn为变量,
f
(
x
)
∈
R
为
目
标
函
数
,
f(x)\in\mathbb{R}为目标函数,
f(x)∈R为目标函数,
C
i
(
x
)
,
i
∈
E
C_i(x),i\in\mathbb{E}
Ci(x),i∈E为等式约束,
C
i
(
x
)
,
i
∈
I
C_i(x),i\in\mathbb{I}
Ci(x),i∈I
~~
为不等式约束。 我们把
~
Ω
=
{
x
:
C
i
(
x
)
=
0
,
i
∈
E
,
C
i
(
x
)
≥
0
,
i
∈
I
}
\varOmega = \left\{x:C_i(x)=0,i\in\mathbb{E},C_i(x)\ge0,i\in\mathbb{I}\right\}
Ω={x:Ci(x)=0,i∈E,Ci(x)≥0,i∈I}为可行域,我们一般
x
∗
x^*
x∗为上述问题的最优解。
2、优化问题的一些重要的分类
(1)、无约束优化和约束优化
~~~~~~~~
其中约束优化又分为等式约束优化和不等式约束优化
(2)、线性优化(也被称为线性规划),即是目标函数和约束函数都是线性函数
(3)、二次规划:目标函数是二次函数,约束函数是线性函数
(4)、凸规划:目标函数是凸函数,约束函数也是凸函数
3、局部和整体的性质
(1)、局部最优解和全局最有界
如果存在
δ
>
0
\delta>0
δ>0,使得对所有满足
x
∈
R
n
x\in\mathbb{R}^n
x∈Rn和
∥
x
−
x
∗
∥
<
δ
\Vert x-x^*\Vert<\delta
∥x−x∗∥<δ的点
x
~x~
x ,有
f
(
x
)
≥
f
(
x
∗
)
f(x)\ge f(x^*)
f(x)≥f(x∗),则称
x
∗
~x^*~
x∗ 为
f
~f~
f 的局部极小值点。如果对所有的
x
∈
R
n
,
且
x
≠
x
∗
x\in\mathbb{R}^n,且x\neq x^*
x∈Rn,且x=x∗,都有
f
(
x
)
≥
f
(
x
∗
)
f(x)\ge f(x^*)
f(x)≥f(x∗),则称
x
∗
~x^*~
x∗ 为
f
~f~
f 的全局极小值点。
(2)、局部严格最优解和全局严格最优解
如果存在
δ
>
0
\delta>0
δ>0,使得对所有满足
x
∈
R
n
x\in\mathbb{R}^n
x∈Rn和
∥
x
−
x
∗
∥
<
δ
\Vert x-x^*\Vert<\delta
∥x−x∗∥<δ的点
x
~x~
x ,有
f
(
x
)
>
f
(
x
∗
)
f(x)> f(x^*)
f(x)>f(x∗),则称
x
∗
~x^*~
x∗ 为
f
~f~
f 的局部极小值点。如果对所有的
x
∈
R
n
,
且
x
≠
x
∗
x\in\mathbb{R}^n,且x\neq x^*
x∈Rn,且x=x∗,都有
f
(
x
)
>
f
(
x
∗
)
f(x)> f(x^*)
f(x)>f(x∗),则称
x
∗
~x^*~
x∗ 为
f
~f~
f 的全局极小值点。
(3)、局部收敛性和全局收敛性
如果只有当初始点
x
0
~x_0~
x0 充分接近极小值点
x
∗
x^*
x∗时,由算法产生的点列
{
x
k
}
\left\{x_k\right\}
{xk}才能收敛于极小值点
x
∗
~x^*~
x∗ ,则该算法称为局部收敛性。如果对于任意初始点
x
0
~x_0~
x0 ,由算法产生产生的点列都收敛于极小值点
x
∗
~x^*~
x∗ ,则该算法称为具有整体收敛性。
注:(1)、我们上述的范数一般选取的是欧式范数
~~~~~~~
(2)、整体极小值点一定是局部极小值点,而局部极小值点不一定是整体极小值点
~~~~~~~
(3)、在一般情况下,求整体极小值点是非常困难的,因此通常只是求局部极小值点,我们后面所求的极小值点都是局部极小值点
~~~~~~~
(4)、对于算法的整体收敛性和局部收敛性,我们总是倾向于选择那些是具有整体收敛性的算法,这是评价算法好坏的一个重要方面。