本文详细介绍了最优化问题中的Lagrange对偶问题，包括原问题、Lagrange函数和对偶函数的概念。讨论了强对偶性和弱对偶性，指出在凸优化问题中强对偶性通常成立。最后，阐述了KKT条件作为原问题和对偶问题最优解的必要条件，并解释了其在凸优化中的重要性。
陈宝林《最优化理论与算法》超详细学习笔记 （五）————最优性条件 之 KKT条件
Lagrange对偶问题
原问题
对于一个最优化问题：
min f 0 ( x ) s.t. f i ( x ) ≤ 0 , i = 1 , ⋯ , m h i ( x ) = 0 , i = 1 , ⋯ , p \begin{array}{ll}\min & f_{0}(x) \\ \text {s.t.} & f_{i}(x) \leq 0, \quad i=1, \cdots, m \\ & h_{i}(x)=0, \quad i=1, \cdots, p\end{array} mins.t.f0(x)fi(x)≤0,i=1,⋯,mhi(x)=0,i=1,⋯,p
f 0 ( x ) f_{0}(x) f0(x)为目标函数， f i ( x ) ≤ 0 f_{i}(x)\leq0 fi(x)≤0为不等式约束， h i ( x ) = 0 h_{i}(x)=0 hi(x)=0为等式约束.
Lagrange函数
通过引入不等式约束和等式约束的lagranage乘子 λ i \lambda_i λi与 v i v_i vi，得到原问题的Lagrange函数为：
L ( x , λ , v ) = f 0 ( x ) + ∑ i = 1 m λ i f i ( x ) + ∑ i = 1 p v i h i ( x ) L(x, \lambda, v)=f_{0}(x)+\sum_{i=1}^{m} \lambda_{i} f_{i}(x)+\sum_{i=1}^{p} v_{i} h_{i}(x) L(x,λ,v)=
最低0.47元/天 解锁文章
1530
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
