约束非线性优化：几何意义&对偶形式

最新推荐文章于 2021-01-01 13:27:19 发布

超级无敌小小顺利

最新推荐文章于 2021-01-01 13:27:19 发布

阅读量932

点赞数 2

分类专栏：最优化理论与算法文章标签：约束非线性优化几何意义对偶形式 Lagrange函数

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_36342854/article/details/103753710

版权

最优化理论与算法专栏收录该内容

6 篇文章 11 订阅

订阅专栏

h(x)=0 借助老师的PPT对约束非线性优化问题的几何意义和对偶形式进行阐述。

一、几何意义

（1）等式约束

考虑只有等式约束h(x)的非线性优化问题，形式为：

可视化结果如下图所示，红色曲线为等式约束，环线为目标函数等值面。达到最优解x*时，必定可以在此处借助Lagrange乘子完成梯度合成。

（2）不等式约束

约束条件换成不等式，此处只考虑一般形式的>=0约束：

Lagrange函数为：

可视化结果为：

在最优解处完成了梯度合成，并且众多不等式约束满足互补松弛条件 $\lambda_ig_i(x)=0$ ，即其中有一个必为0。

二、对偶形式

对于原问题：

$\large \mathbf{min} \ \ \ f(x) \\\mathbf{ \ \ \ \ s.t.} \ \ \ g_i(x)\geqslant 0,h_j(x)=0,x\in D$

q对偶问题为：

$\large \mathbf{max} \ \ \ \theta( w,v) \\\mathbf{ \ \ \ \ s.t.} \ \ \ w\geqslant 0$

Lagrange对偶函数定义为L函数的下确界：

$\large \theta( w,v) =inf{\left \{ f(x)-\sum_{i=1}^{m}w_ig_i(x)- \sum_{j=1}^{l}v_ih_j(x)|x\in D \right \}}$

超级无敌小小顺利

关注

2
点赞
踩
2

收藏

觉得还不错? 一键收藏
1
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 1

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。