1、LP问题何时局部最优解也是全局最优解
对maximum问题来说:可行域是一个凸集,目标函数是凹规划
对minimum问题来说:可行域是凸集,目标函数是凸规划
2、无约束非线性规划
2.1理论上的海塞矩阵、鞍点
找局部最大值、局部最小值以及saddle point(鞍点),鞍点指的是不是极值点的驻点。一阶主子式应该是以-1的一次方为符号,二阶主子式应该是以-1的二次方为符号······这是concave凹函数,如果主子式的行列式的值全都是正的,那么就应该是convex凸函数。
2.2数值解法:最速下降法
*3、有约束非线性规划-KKT条件
使用kkt条件之前先判断限制条件的梯度之间是否是线性独立的。
如果目标函数的梯度不可以使用条件约束的梯度表示,那么kkt条件不成立。不可以使用这种方法。
首先构建拉格朗日等式;
然后分别对每个变量求解一阶导,令其等于0,求解出变量和拉朗日系数的值;
判断目标函数和约束条件的凹凸性,然后得出局部最优解和全局最优解之间的关系;