1、优化问题的基本格式
其中,满足约束条件的点的集合称之为可行域
2、优化问题的分类
A、从变量的角度
连续优化:可行集通常是无限的
离散优化:变量是整数集合
B、从约束的角度
约束优化和无约束优化
C、从解的角度
局部优化和全局优化(对于凸优化问题,局部解和全局解等价;但是普遍情况下很难找到一个优化问题的全局最优解)
凸集:
凸函数:
当上式的不等号严格成立时,称之为严格凸函数.
3、无约束优化的基础
问题描述:
解的分类:
全局极小值:
局部极小值:
(大多数算法只能找到一个局部极小值)
关于局部极小值,可以更细的分为严格局部极小值和孤立局部极小值;其中孤立极小值一定是严格的,但是严格的并不一定时孤立的(在一个严格极小值附近可能有无穷多个点趋近于他,此时函数值也可以取到局部极小值。
如何判别一个点时局部极小值点?下面介绍五个定理(这五个定理的证明要掌握)
(Taylor定理是用于研究光滑函数极小化问题数学工具)
证明思路: 反证法,假设结论不成立,然后与已知条件相矛盾。
驻点:使得的点称之为驻点。根据定理2.2我们可以看到局部极小值点一定是一个驻点.
证明思路: 反证法,假设结论不成立,然后与已知条件相矛盾。
证明思路:结合Taylor展开,证明在的领域内,任一点均满足
PS:定理 2.4中产生的解是一个严格局部极小值点,而定理2.3中是一个局部极小值
证明思路:(i)反证法,然后结合如函数的性质进一步与已知条件矛盾,从而结论得证
(ii)反证法利用凸函数性质和向量函数求导
通过上面的五个定理,我们可以感受到Taylor展开的重要性,以及在之后的很多定理证明中都会出用到反证的思路,