本文是中科大凸优化课程笔记，重点讲解了拉格朗日法，包括KKT条件、负梯度方向和拉格朗日法的应用。内容涵盖拉格朗日乘子法、增广拉格朗日法，并阐述了拉格朗日法方向与负梯度方向的关系，以及优化过程中的条件分析。
全部笔记的汇总贴（视频也有传送门）：中科大-凸优化
一、拉格朗日法 Lagrangian Method
x k + 1 = x k − α k ( ∇ f ( x k ) + A T v k ) x k + 1 = v k + α k ( A x k − b ) x^{k+1}=x^k-\alpha^k(\nabla f(x^k)+A^Tv^k)\\x^{k+1}=v^k+\alpha^k(Ax^k-b)\;\\\; xk+1=xk−αk(∇f(xk)+ATvk)xk+1=vk+αk(Axk−b)
L ( x , v ) = f ( x ) + v T ( A x − b ) ( x ∗ , v ∗ ) arg max v min x L ( x , v ) ( x ∗ , v ∗ ) arg min x max v L ( x , v ) L(x,v)=f(x)+v^T(Ax-b)\\(x^*,v^*)\argmax_v\min_x L(x,v)\\(x^*,v^*)\argmin_x\max_v L(x,v)\\\;\\\; L(x,v)=f(x)+vT(Ax−b)(x∗,v∗)vargmax
最低0.47元/天 解锁文章
扫一扫
2517
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
