内容来自马昌凤编著的《最优化方法及其Matlab程序设计》,文章仅为个人的学习笔记,感兴趣的朋友详见原书。
1.等式约束问题的最优性条件
拉格朗日定理
假设x∗x^*x∗是如下问题的局部极小点
minf(x)min f(x)minf(x)
s.t.hi(x)=0,i=1,2,...,ls.t. h_i(x)=0, i=1,2,...,ls.t.hi(x)=0,i=1,2,...,l
f(x)f(x)f(x)和hi(x)h_i(x)hi(x)在x∗x^*x∗的某邻域内连续可微。若向量组▽hi(x∗)▽h_i(x^*)▽hi(x∗)线性无关,则存在乘子向量λ∗=(λ1∗,λ2∗,...,λl∗)Tλ^*=(λ_{1}^*,λ_{2}^*,...,λ_{l}^*)^Tλ∗=(λ1∗,λ2∗,...,λl∗)T,使得
▽xL(x∗,λ∗)=0▽_xL(x^*,λ^*)=0▽xL(x∗,λ∗)=0
即:▽f(x∗)−∑λi∗▽hi(x∗)=0▽f(x^*)-∑λ_{i}^*▽h_{i}(x^*)=0▽f(x∗)−∑λi∗▽hi(x∗)=0
2.不等式约束问题的最优性条件
本节考虑不等式约束问题的最优性条件:
minf(x)min f(x)minf(x)
s.t.gi(x)≥0,i=1,2,...,ms.t. g_i(x)≥0, i=1,2,...,ms.t.gi(x)≥0,i=1,2,...,m
有效集

KT条件

3.一般约束问题的最优性条件
即将上述两种情况结合起来

KT一阶必要条件

例题

定理:设(x∗,u∗,λ∗)(x^*,u^*,λ^*)(x∗,u∗,λ∗)是凸优化问题(f为凸函数,h是线性函数,g是凹函数)的KT点,则x∗x^*x∗必为该问题的全局极小点。

被折叠的 条评论
为什么被折叠?



