1. 拉格朗日算子
1.1 基本流程
假设
即有:
令
![7546cbb96f2399dffee4fafe5ffb9896.png](https://i-blog.csdnimg.cn/blog_migrate/280ba7b66e6d38f48cd59b3c29409995.jpeg)
1.2 理解
第一层理解:
在学高数的时候,对拉格朗日的理解仅限于:构造了一个函数
第二层理解:
在进行第二层理解时,需要明白几个概念:
- 数学里面,梯度指的是函数变化最快的方向。
- 梯度跟函数约束曲线是垂直的,既然垂直于约束曲面,就一定垂直于等高线。
具体可以参考这篇文章拉格朗日乘子法。该文比较直观的介绍了拉格朗日的基本定理,并且从切线、梯度的角度分析了拉格朗日算子。
![44c201088252fc796e1563aeae305808.png](https://i-blog.csdnimg.cn/blog_migrate/c7c01daa3167267411462a08e5bd7ada.jpeg)
2. KKT条件
2.1 一个限制条件的情况
看完这个例子之后,在公式(1.2)可能取到的所有点中,的的确确找到了一个
![53f4be91e18d0a2332f5c16572bd2c0a.png](https://i-blog.csdnimg.cn/blog_migrate/e761934a225c4078add9ececb6186b94.jpeg)
-
:这个没什么好说的,限制条件。
-
:要满足这个条件,考虑
和
两种情况:
- 当
和
,使得等式(2.1)成立。
![89572b7281389ffb2eca5c4e22152beb.png](https://i-blog.csdnimg.cn/blog_migrate/8f9fbe497bae1127b1f44f971cb1e45c.jpeg)
-
- 当
时:说明这个点在
构成边界的内部,此时限制条件
就打酱油了,没卵用,可以直接通过条件
获得最优点,这个时候
。
- 当
![6f7a6e2033c5b6af34942eee35b31aa1.png](https://i-blog.csdnimg.cn/blog_migrate/9dfd424a9a744bfc4557369e35155236.jpeg)
所以啊,公式(2.2)就被称为Karush-Kuhn-Tucker (KKT)条件。
2.2 多个限制条件的情况
一个限制条件说清楚了,那么多当有多个约束条件时,考虑
![3de8c28cd29c291d450bc542392e6630.png](https://i-blog.csdnimg.cn/blog_migrate/cd44df05fb57919aea1f086212d06979.jpeg)
3. 对偶问题
KKT条件中提到,在公式(1.2)可能取到的所有点中,的的确确找到了一个
但是,如果找不到呢。。。
![a3ba0ee63ba5e274460e43dc320c95ba.png](https://i-blog.csdnimg.cn/blog_migrate/c0862967ed6d97a362f35f8508fb4b3f.png)
3.1 原始问题
3.1 一个限制条件的情况下
找不到
找不到
- 若
不违反
约束,则
- 若
违反
约束,则
所以就变成了
3.2 多个限制条件的情况下
![237fe95a498b16092d3c71ed3d1a7525.png](https://i-blog.csdnimg.cn/blog_migrate/9e3707d75a0a4b1e6ae712fa222f2444.jpeg)
3.2 转化者
换个心情,换个思路。。。(透。。。) 这个问题称为广义拉格朗日函数的极大极小问题。
3.3 大小安排一波???
假设公式(3.2) 原始人 的最优解为
4. 小结
所以,要求一个连续可微函数的最小值,并且还有一堆限制条件,可以这么做:
- 引入拉格朗日乘子,构造拉格朗日函数;
- 计算拉格朗日函数对未知参数的偏导数,并令导数为0,求解参数。
- 将参数代入拉格朗日函数中,并转化成对偶问题后求解。(转换的时候注意其KKT条件)
![dfe993a24fad36cb56f54946c28fcda4.png](https://i-blog.csdnimg.cn/blog_migrate/91a96c6e9868e69a9e0db3aa7e3ce5f4.jpeg)
5. 参考文献
- 《西瓜书》
- 《统计学习方法》
- 《拉格朗日乘子法》