KKT条件（Karush–Kuhn–Tucker conditions）

慢慢向前-

于 2021-06-16 21:52:47 发布

阅读量9.1k

点赞数 5

分类专栏：机器学习文章标签：机器学习

版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。

本文链接：https://blog.csdn.net/weixin_37823499/article/details/117966243

版权

机器学习专栏收录该内容

6 篇文章 1 订阅

订阅专栏

在约束最优化问题中，常常利用有条件的拉格朗日乘子法，进而一步步推导KKT条件。

1.最优化条件和下降搜索

给定一个多变量可微函数 $f(x)$ ， $x^{*}$ 是 $f$ 的局部最小值，这时有 $\bigtriangledown f(x^{*})=0$

如果 $\bigtriangledown f(x^{'})\neq 0$ ，就存在 $t^{'}>0$ 使得 $f(x^{'}-t\bigtriangledown f(x^{'}))<f(x^{'})) ,for 0<t<t^{'}$

（对这边做个解释：因为 $x^{*}$ 是局部最小值，因此其周围的值都是大于它的，就相当于这个位置是一个低谷，当，就说明其梯度 $\bigtriangledown f(x^{'})\neq 0$ ，说明其梯度可以大于0，可以小于0；这样我们随意假设一种情况当其梯度大于0，这样 $x^{'}-t\bigtriangledown f(x^{'})<x^{'}$ ,显然可得上述等式在 $0<t<t^{'}$ 成立，当梯度小于0也容易证得其成立）

针对以下问题的梯度下降法（迭代方案）：

$min_{x\in R^{n}}f(x)$

2.条件最佳优化

KKT条件

如果 $x^{*}$ 是约束优化问题的局部最优解，则存在 $\lambda$ 和 $\mu$ ，从而满足KKT条件：

这里先介绍一个性质，该性质对于得到KTT是比较有用的性质：

对于任意的非零矩阵 $A_{m\times n}$ y以及 $b\ni R^{m}$ ,总存在要么有

要么有

但两者不同时成立！

证明上述性质：

假设1）成立，证明2）是不正确的；利用反正法，但1）成立2）也成立

因此有 $\exists y\Rightarrow A^{T}y\geqslant 0;b^{T}y< 0.$ 由于1）成立， $b=Ax,x>0\Rightarrow b^{T}y=x^{T}A^{T}y\geq 0$

这就产生了矛盾，同理可得当2）成立1）不成立！

关注

5
点赞
踩
13

收藏

觉得还不错? 一键收藏
0
评论
KKT条件（Karush–Kuhn–Tucker conditions）

在约束最优化问题中，常常利用有条件的拉格朗日乘子法，进而一步步推导KKT条件。最优化条件和下降搜索给定一个多变量可微函数，
复制链接

扫一扫

专栏目录

评论

被折叠的条评论为什么被折叠?

到【灌水乐园】发言

查看更多评论

添加红包

成就一亿技术人!

hope_wisdom

发出的红包

实付元

使用余额支付

点击重新获取

扫码支付

钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。