5.1 Lagrange对偶函数
Lagrange对偶的基本思想:添加约束函数的加权和,得到增广的目标函数
(一)Lagrange对偶函数
5.1.2 Lagrange对偶函数
Def 1 Lagrange函数的定义
Def 2 Lagrange对偶函数的定义g(λ,v)
定理1:对偶函数是一族关于(λ,v)的仿射函数逐点下确界,对偶函数是凹函数。
5.1.3 最优值的下界
定理2(Lagrange对偶函数是最优值 p ∗ p^* p∗的下界):对于任意 λ ≥ 0 , v λ\geq 0,v λ≥0,v,有 g ( λ , v ) ≤ p ∗ g(λ,v)\leq p^* g(λ,v)≤p∗。
注:为给出 p ∗ p^* p∗的一个非平凡下界,需要 λ ≥ 0 , ( λ , v ) ∈ d o m g ,即 g ( λ , v ) > − ∞ λ\geq 0,(λ,v)\in dom g,即g(λ,v)>-\infty λ≥0,(λ,v)∈domg,即g(λ,v)>−∞。称满足上述条件的(λ,v)是对偶可行的。
ps. 通过线性逼近理解以上概念
首先将原问题重新(等价)描述为一个无约束问题:用无限强硬的不满意方程表示
- Lagrange函数是用线性或“软”的不满意函数替换强硬不满意函数得到的;
- 最优值下界:线性函数可以看成是示性函数的一个下估计。
5.1.5 示例
- 线性方程组的最小二乘解
- 标准形式的线性规划
- 双向划分问题
该问题的遍历法求解思路
理解方式:1. 将原问题理解为双向划分问题;2. 将原问题理解为特征值问题;