本篇是写在SVM之前的关于优化问题的一点知识，在SVM中会用到。考虑到SVM之复杂，将其中优化方面基础知识提出，单作此篇。所以，本文也不会涉及优化问题的许多深层问题，只是个人知识范围内所了解的SVM中涉及到的优化问题基础。
一、凸优化问题
在优化问题中，凸优化问题由于具有优良的性质（局部最优解即是全局最优解），受到广泛研究。
对于一个含约束的优化问题：
{minxf(x)s.t.x∈C
其中，
f(x) 为一个凸函数，变量
x 的可行域
C 是一个凸集，那么这个优化问题称为一个凸优化问题。
将上面的约束条件的形式更加明确一点，一个凸优化问题可以写成：
{minxf(x)s.t.gi(x)≤0hi(x)=0
其中，
f(x) 当然仍然为一个凸函数，但对约束条件有一定要求：
gi(x) 是凸函数；
hi(x) 为仿射函数。这样的要求当然是为了保证可行域是一个凸集。
不等式约束中
gi(x)为凸函数，而凸函数的水平截集
{x|gi(x)≤α} 是一个凸集(凸函数的性质)，这就使得不等式约束保证了可行域为凸集；
对于等式约束
hi(x)=0 可以写成：
{hi(x)≤0hi(x)≥0
要使得满足条件的
x 组成的集合为凸集，就要求
hi(x) 既是一个凸函数，又是一个凹函数，这样
hi(x)便只能是仿射函数了。
以上便是凸优化问题的一般形式。常见的线性规划、二次规划、二次约束二次规划等优化问题都是凸优化问题。
二、拉格朗日对偶
抛开凸优化问题，回到一般的优化问题。
一般的优化问题可以写成以下形式：
{minxf(x)s.t.gi(x)≤0hi(x)=0
当然，这里对
f(x)、
gi(x)、
hi(x) 都是没有要求的。
根据拉格朗日方法，对应的拉格朗日函数为：
L(x,α,β)=f(x)+∑iαigi(x)+∑iβihi(x)
其中
α 、
β为拉格朗日乘数（都是向量，其长度分别对应于不等式约束和等式约束的个数），且
αi≥0、
β 任意。
定义函数：
θP(x)=maxα,β:αi≥0L(x,α,β)
容易发现：
θP(x)={f(x)gi(x)≤0&hi(x)=0+∞gi(x)>0||hi(x)≠0
如果原来的约束条件都满足那么
L(x,α,β)=f(x)+∑iαigi(x)+∑iβihi(x)，最后一项为零，第二项要取得最大值，由于
gi(x)≤0，所以只能取
α=0→ ，使其取得最大值0，这样
θP(x)=maxα,β:αi≥0L(x,α,β)=f(x)
如果违背了原来的约束条件，比如存在某一个约束
gi(x)>0，那么可以取
αi 任意大，这样
θP(x)=+∞。违反等式约束
hi(x)=0的情况是类似的。
所以可以认为
θP(x)是对原理优化问题中的约束条件进行了吸收，是原来的约束优化问题变为无约束优化问题（相对于原来变量
x 无约束了），即原来的优化问题可以写成：
(1)minxθP(x)=minxmaxα,β:αi≥0L(x,α,β)
现在，称（1）为原问题，这和最初的有约束问题是等价的。
将（1）中min和max交换顺序得到对偶问题：
(2)maxα,β:αi≥0θD(α,β)=maxα,β:αi≥0minxL(x,α,β)
其中
θD(α,β)=minxL(x,α,β)
记
p∗ 为原问题的最优解，对应最优解的最优变量取值为
x∗，则
p∗=f(x∗) ；
记
d∗ 为对偶问题的最优解，对应最优解的最优变量取值为
α∗、
β∗，则
d∗=θD(α∗,β∗)。
下面来说明
d∗≤p∗。
对于任意
α,β（
α≥0 ）：
θD(α,β)=minxL(x,α,β)≤L(x∗,α,β)=f(x∗)+∑iαigi(x∗)+∑iβihi(x∗)≤f(x∗)=p∗
第一个不等号成立是显然的，这是由
minxL(x,α,β) 的定义直接得到的；第二个不等号成立是因为
x∗ 是一个可行解，所以约束条件
gi(x)≤0 和
hi(x)=0 都满足，所以
∑iαigi(x∗)≤0 、
∑iβihi(x∗)=0。
由于以上推导过程中
α、
β的任意性，所以
d∗=θD(α∗,β∗)≤p∗ ，所以求解对偶问题是在最大化原问题最优解的下界。
通常，对偶问题相对于原问题有比较好的形式（有看到“无论原问题形式如何，对偶问题都是一个凸优化问题”的说法，但没见过证明。），这样，当原问题不好求解时，可以转而求解对偶问题。问题是一般情况下有
d∗≤p∗，所以求解对偶问题只能得到原问题解的下界，不能保证
d∗=p∗。
当原问题满足一些条件时，可以保证
d∗=p∗。
Slater条件：存在
x ，使得不等式约束
gi(x)≤0严格成立，即
gi(x)=0。
当原问题为一凸优化问题，且满足Slater条件时，有
d∗=p∗，这样就原问题和对偶问题的解一致，求解对偶问题即可。显然，Slater是凸优化问题与其对偶问题等价的一个充分条件。
KKT条件是原问题与对偶问题等价的必要条件。考虑一般优化问题（不一定是凸优化），如果有
d∗=p∗，则：
d∗=θD(α∗,β∗)=minxL(x,α∗,β∗)≤L(x∗,α∗,β∗)=f(x∗)+∑iαi∗gi(x∗)+∑iβi∗hi(x∗)≤f(x∗)=p∗
由于
d∗=p∗，所以上面推导过程中所以的不等号“
≤ ”应该取到等号。第一个等号得到
minxL(x,α∗,β∗)=L(x∗,α∗,β∗)，这说明
x∗ 是
L(x,α∗,β∗)的一个极值点，所以
L(x,α∗,β∗)在
x∗ 处的偏导为零，
∂L(x,α∗,β∗)∂x|x∗=0 ；第二个等号得到
f(x∗)+∑iαi∗gi(x∗)+∑iβi∗hi(x∗)=f(x∗)，所以
∑iβi∗hi(x∗)=0、
∑iαi∗gi(x∗)=0。
∑iβi∗hi(x∗)=0是显然的，因为根据约束条件本来就有
hi(x∗)=0，重点是原本的
∑iαi∗gi(x∗)≤0现在取到了等号。
综合以上两点，在加上原来的约束，可以得到KKT条件：
{∂L(x,α∗,β∗)∂x|x∗=0∑iαi∗gi(x∗)=0αi∗≥0gi(x∗)≤0hi(x∗)=0
KKT条件是
d∗=p∗的必要条件，给出了当原问题和对偶问题等价时对应最优值点所满足的性质。
尽管KKT条件是
d∗=p∗的必要条件，但当原问题是凸优化问题时，它就升级为充要条件，也就是只要找到
x∗,α∗,β∗ 满足以上五个条件，那么原问题就和对偶问题就有相同的解，分别在
x∗和
(α∗,β∗)处取得。
另外，根据KKT条件中的
∑iαi∗gi(x∗)=0可以得到，
gi(x∗)<0⇒αi∗=0，反过来说，只有
gi(x∗)=0，
αi∗才有可能不为0，这是SVM中用到的一个重要性质。
1758
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
