kkt条件的matlab仿真,请教关于SVM中KKT条件的推导

KKT条件第一项是说最优点必须满足所有等式及不等式限制条件，也就是说最优点必须是一个可行解，这一点自然是毋庸置疑的。第二项表明在最优点 x*， ∇f 必須是 ∇hj 和 ∇gk 的线性組合，和都叫作拉格朗日乘子。所不同的是不等式限制条件有方向性，所以每一个 kµ都必须大於或等於零，而等式限制条件没有方向性，所 以 jλ没有符号的限制，其符号要视等式限制条件的写法而定。

设想我们优化如下的目标函数：

minimize    f_0(x)

s.t.        f_i(x)<=0,  i=1,2,...,m

h_i(x)=0,   i=1,2,...,p

我们把这个目标函数称为原函数

构造该函数的对偶函数如下：

maximize

g(r,v)=inf_x {f_0(x)+sum_{i=1}^m r_i*f_i(x)+sum_{i=1}^p v_i*h_i(x)}

s.t.    r_i>=0  i=1,2,...,m

假设x'是原函数的一个可行点(满足原函数的约束)，r',v'是对偶函数的一个可行点

因为r'_i>=0,f_i(x')<=0,所以sum_{i=1}^m r'_i*f_i(x')<=0,同理

sum_{i=1}^p v'_i*h_i(x')=0

因此，我们有，对于任意的满足原函数约束的x和满足对偶函数约束的r,v

g(r,v)<={f_0(x)+sum_{i=1}^m r_i*f_i(x)+