本文介绍了有约束条件的最优化模型，包括等式约束和不等式约束。讨论了上确界和下确界的概念，并通过几何想象解释了约束条件在多维空间中的影响。拉格朗日乘子法用于转化有约束优化问题为无约束问题，KKT条件是其关键。对偶问题的提出和解决方法也被探讨，强调了在存在约束条件时优化问题的解决方案。
优化问题：
所有优化问题都可以形式化成
minimize ƒ0(x), x€Rn
st. fi(x)<=0
hi(x) =0 i = 1,2,3,...m
如果 ƒ0(x)为凸函数， ƒi(x)为凸函数，hi（x）为仿函数，则该优化问题为凸优化问题
约束条件：
1.等式约束 
2.不等式约束
由于KKT条件，所以需要有等号
上确界（Supremum）：一个集合的最小上界， 数学符号sup
下确界（greatest lower boundinf）：一个集合的最大下界,数学符号inf
上确界与最大值：上确界类似于最大值，但是和最大值不同的是，最大值有时候会遇到无法取到
最低0.47元/天 解锁文章
扫一扫
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
