凸优化 -- 强对偶与弱对偶及几何解释和鞍点解释

最新推荐文章于 2024-07-19 15:37:59 发布
最新推荐文章于 2024-07-19 15:37:59 发布
阅读量1.3k 收藏 5
点赞数
分类专栏： 数学
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_38662930/article/details/105316671
版权
本文深入探讨了一阶必要性条件（KKT）成立的前提，特别是ICLQ条件的作用，以及线性可行方向如何反映几何结构。通过鞍点定理，我们理解了强对偶条件下，原始问题与对偶问题最优点构成鞍点的数学原理。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

回顾一阶必要性条件（KKT）成立的条件时ICLQ条件成立，即线性可行方性与序列可行方向相同，这样才可以用一阶泰勒条件才能成立。即线性可行方向能够反应其的几何结构
添加链接描述
在这里插入图片描述
D的相对内部：简单来说就是将边缘去掉
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
鞍点解释
鞍点定义
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述
在这里插入图片描述

这里用到了鞍点定理
f 0 ( x ∗ ) = inf ⁡ x s u p λ ≥ 0 L ( x , λ ) g ( λ ∗ , v ∗ ) = sup ⁡ λ ≥ 0 inf ⁡ x L ( x , λ ) f_0(x^*)=\inf_{x} sup_{\lambda \ge 0 }{L(x,\lambda)}\\ g(\lambda ^*,v^*)=\sup_{\lambda\ge0}\inf _x L(x,\lambda) f0​(x∗)=infx​supλ≥0​L(x,λ)g(λ∗,v∗)=supλ≥0​infx​L(x,λ)
如果强对偶成立，则原始问题和对偶问题的最优点构成了鞍点。 反之成立
在这里插入图片描述

UA SIE545 优化理论基础4 对偶理论简介2 弱对偶与Duality Gap
一个不愿透露姓名的博客
11-25 743
UA SIE545 优化理论基础4 对偶理论简介2 弱对偶 上一讲我们定义了Lagrange对偶，这一讲我们介绍第一个重要结论——弱对偶定理(Weak duality theorem)。
凸优化--强弱对偶性的几何解释
muse的专栏
11-17 2259
凸优化–强弱对偶性的几何解释一般的优化问题模型minf0(x)s.t.fi≤0,i=1,⋯,mhi=0,i=1,⋯,p\bf{min} f_0(x) \\ \bf{s.t.} f_i \leq 0,i=1,\cdots,m\\h_i=0,i=1,\cdots,p定义约束函数和目标函数所取值的集合G\mathcal{G}G={(f1(x),⋯,fm(x),h1(x),⋯,hp(x),f0(x))∈Rm
强对偶弱对偶
None_Pan的博客
05-15 518
强/弱对偶性
JonesLQ的博客
08-08 890
这里写自定义目录标题欢迎使用Markdown编辑器新的改变功能快捷键合理的创建标题，有助于目录的生成如何改变文本的样式插入链接与图片如何插入一段漂亮的代码片生成一个适合你的列表创建一个表格设定内容居中、居左、居右SmartyPants创建一个自定义列表如何创建一个注脚注释也是必不可少的KaTeX数学公式新的甘特图功能，丰富你的文章UML 图表FLowchart流程图导出与导入导出导入 欢迎使用Markdown编辑器 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Mar
强对偶性、弱对偶性以及KKT条件的证明（对偶问题的几何证明）
热门推荐
KI的博客
08-02 13万+
本文主要探讨优化问题中强、弱对偶性以及KKT条件的证明。
凸优化——详解对偶和鞍点
weixin_44382951的博客
07-15 1975
强对偶 原问题的最优解（最小解）p∗p^*p∗一定是大于等于其对偶问题的最优解（最大值）d∗d^*d∗的： p∗>=d∗p^*>=d^*p∗>=d∗ 这是对偶问题最重要的一条性质 弱对偶 满足p∗>=d∗p^*>=d^*p∗>=d∗，这就是弱对偶性，无论原函数是不是凸的，只要有解就一定满足前述不等式，也就是说一定都是弱对偶的。 强对偶 如果一个问题p∗=d∗p^*=d^*p∗=d∗，那原问题和对偶问题就是强对偶的。也就是最优对偶间隙p∗−d∗p^*-d^*p∗−d∗为0
中科大-凸优化 笔记（lec35）-鞍点定理
scu-liu的博客
02-23 2866
全部笔记的汇总贴（视频也有传送门）：中科大-凸优化 Slater条件：凸问题 P∗=d∗？P^*=d^*？P∗=d∗？ 充分条件 非凸问题 min⁡f0(x)s.t.  fi(x)≤0  i=1,⋯ ,mx∈D\min f_0(x)\\s.t.\;f_i(x)\le0\;i=1,\cdots,m\\x\in Dminf0​(x)s.t.fi​(x)≤0i=1,⋯,mx∈D 四种解释：几何、多目标优化、鞍点、经济学 经济学解释 xxx：产品 f0(x)f_0(x)f0​(x)：损失 fi(x)f_i(x)
理解凸优化：鞍点与对偶理论解析
"鞍点解释-凸优化课件" 这篇资料主要讲解了凸优化的相关概念，特别是鞍点的解释，这是在解决优化问题时的一个关键点。首先，鞍点是优化理论中的一个重要概念，通常出现在最大值最小化或最小值最大化的问题中，它指...
凸优化学习（二）对偶和SVM
简单快乐
07-04 3827
4.4 对偶问题 对于有约束的优化问题。约束优化问题的一般形式为： minimizesubject.tof0(x)fi(x)≤0fori=1,2,...,mhi(x)=0fori=1,2,...,pminimizef0(x)subject.tofi(x)≤0fori=1,2,...,mhi(x)=0fori=1,2,...,p \begin{array} {l} minimize & f_0(...
UA SIE545 优化理论基础4 对偶理论简介5 对偶的几何解释
一个不愿透露姓名的博客
11-26 307
UA SIE545 优化理论基础4 对偶理论简介5 对偶的几何解释 前四讲我们建立了弱对偶与强对偶的概念与理论，这一讲我们试图从直观上理解对偶。 强对偶的几何解释 考虑下面的优化 min⁡(x−2)2s.t.x≥0\min (x-2)^2 \\ s.t. x \ge 0min(x−2)2s.t.x≥0 从几何上，这个优化想在数轴的非负半轴找一个距离x=2x=2x=2最近的点。下面我们写出对偶问题， θ(u)=inf⁡{(x−2)2−ux:x≥0}=−(u+2)2+4\theta(u)=\inf \{(x-
svm通俗讲解_通俗讲解支持向量机SVM（二）另辟蹊径！对偶性的几何解释
weixin_27379781的博客
12-24 233
当你的才华还撑不起你的野心时，你应该静下心去学习 。前言关于支持向量机(Support Vector Machine, SVM)的强对偶关系证明，我在网上浏览过各种版本，绝大部分是比较繁琐的公式推导，这显然不利于读者理解。我们可以尝试切换思路，用几何描述的方法比较直观清晰的推出结论，相信看完这篇文章你一定能豁然开朗！正文为了直观解释强对偶关系，我们把原问题限定在二维平面上(多维同理)，所以我...
通俗讲解支持向量机SVM（二）另辟蹊径！对偶性的几何解释
试问道几许
04-08 1万+
避开繁琐的公式推导，带你用几何的方式轻松理解SVM的对偶性，这次我要你觉得！
kkt条件 弱对偶 强对偶_机器学习笔记(8)-对偶关系和KKT条件
weixin_42607969的博客
01-27 333
机器学习笔记(8)-对偶关系和KKT条件之前介绍了支持向量机SVM硬间隔和软间隔的推导过程，不熟悉的小伙伴可以查看《机器学习笔记(7)支持向量机》的内容，但是在求解中我们默认了强对偶关系和KKT条件，这一节就来理解并证明描述下。对偶关系先来看下结论，当满足对偶关系时，默认是符合弱对偶关系的，当满足强对偶关系时，不等式取等号，我们现来用一般形式给出原问题：\[\begin{aligned}\left...
凸优化第五章对偶 5.3几何解释
清风吹斜阳
02-10 1382
5.3几何解释 对偶函数的解释 上境图 对偶函数的解释 简单考虑只有一个不等式约束 定义 已知对偶函数： 所有对偶函数相当于在G上极小化，得到斜率为的支撑超平面。 下图，t表示，u表示约束函数值 原优化问题在于在约束条件下找到最小的t，G为约束函数值和目标函数值的所有取值的集合，约束函数为，即在坐标轴左侧找最小的t，故找到最优解（如上图）。   上图三条直线则表...
最优化——对偶问题的性质（弱对偶性，强对偶性），对偶问题形式的书写（对偶规则）
渣渣屋
12-10 6132
对偶性质 弱对偶性 原对偶问题任何可行解的目标值都是另一问题最优目标值的界。（推论：原对 偶问题目标值相等的一对可行解是各自的最优解） 强对偶性 原对偶问题只要有一个有最优解，另一个就有最优解，并且最优目标值相等。 对偶问题解之间的关系 线性规划与其对偶规则的关系 互补松弛定理 ​ 原问题 max⁡CTX\max C^{T} XmaxCTX 对偶问题 min⁡b⃗TY\min \vec{b}^{T} YminbTY  s.t. AX≤b⃗ s
【运筹学】对偶理论总结 ( 对称性质 | 弱对偶定理 | 最优性定理 | 强对偶性 | 互补松弛定理 ) ★★★
让 学习 成为一种 习惯 ( 韩曙亮 の 技术博客 )
03-08 1万+
对偶理论总结 ( 对称性质 | 弱对偶定理 | 最优性定理 | 强对偶性 | 互补松弛定理 )
对偶问题几何解释
mucai1的专栏
09-20 3232
一直以来对对偶问题的几何解释比较懵逼 最近看到一张PPT，对理解这个问题有一些帮助，搬过来了假设我们要求解原问题 minf(x),s.t.g(x)<=0,x∈Xmin f(x), s.t. g(x)<=0, x \in X定义如下集合： G=(y,z):y=g(x),z=f(x) for some x∈XG={(y,z):y=g(x),z=f(x) \ for\ some\ x \in X
最优化理论与方法-第十讲-弱对偶定理，强对偶定理
最新发布
scar2016的博客
07-19 1658
具体详见此节：vP)(P)vD)(D)vD≤vP​​fx)vP)vP≤fx)dλμ)vD)dλμ≤vD)dλμ≤vD≤vP≤fx​​xˉ∈S(λˉμˉ​λˉ≥0dλˉμˉ​fxˉ​​vDvP​​dλˉμˉ​≤vD≤vP≤fxˉdλˉμˉ​fxˉ→vDvP​​。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
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。

余额充值