拉格朗日对偶问题
来源:[“拉格朗日对偶问题”如何直观理解?“KKT条件” “Slater条件” “凸优化”打包理解_哔哩哔哩_bilibili]:
梯度方向共线相加减才有可能等于0
L ( x , λ ) = f ( x ) + ∑ λ i g i ( x ) L(\boldsymbol{x}, \boldsymbol{\lambda})=f(\boldsymbol{x})+\sum \lambda_{i} g_{i}(\boldsymbol{x}) L(x,λ)=f(x)+∑λigi(x)
⇓ \Downarrow ⇓
∇ L ( x , λ ) = 0 \nabla L(\boldsymbol{x}, \lambda)=0 ∇L(x,λ)=0
⇓ \Downarrow ⇓
− ∇ f ( x ) = ∑ λ i ⋅ ∇ g i ( x ) -\nabla f(\boldsymbol{x})=\sum \lambda_{i} \cdot \nabla g_{i}(\boldsymbol{x}) −∇f(x)=∑λi⋅∇gi(x)
多边形的边界即为约束条件的边界,图中多边形区域内满足约束条件,并且因为区域向内的是 g i ( x ) < 0 g_i(x)<0 gi(x)<0 ,所以梯度是向外的,又因 λ i