For Infinite

非线性规划与KKT（二）在前文非线性规划与KKT（一）中， 我们已经给出了几个定义，并且证明了一个重要的定理：一个凸集的局部最优解一定为全局最优解它的证明，使用了反证法。然后，我们还介绍了Epigraph的定义。以上的这些，都是为了一个终极的定理：KKT条件。KKT条件是可以被推广到很多很多场景下的。但是，在这里，我们只阐述最简单的条件，即面对NLP问题的KKT条件。KKT条件假设，有如下的NLP：min⁡c⊤x s.t. gi(x)≤0(i=1,…,k)\begin

非线性规划与KTT（一）所有的、各式各样的LP，都可以转化为Non-Linear Program(NLP)。非线性规划所有的、各式各样的LP，都可以转化为Non-Linear Program(NLP)。例如，对于0-1背包问题，是可以与下面的式子，相互转化。xj∈{0,1}⟺xj(1−xj)=0x_j\in\{0,1\} \quad \Longleftrightarrow \quad x_{j}\left(1-x_{j}\right)=0xj​∈{0,1}⟺xj​(1−xj​)=0而IP

数学有对称美。当给定了一个LP，我们总是希望找到另外一个比较对称的LP，使得它和原来的LP之间有比较好的性质。这时候，对偶性(duality)的讨论便出现了。对偶LP(Dual Linear Program)所谓对偶的LP，一定是原LP有一定的关系。比如，我们给出下面的一个LP，记其为PPP：max⁡(4924)⏟cx s.t. (1−430−17−51)⏟Ax=(73)⏟bx1,x2,x3,x4≥0\begin{array}{ll}\max & \underbr.

事实上，对于一个LP问题而言，之所以可以用单纯形法解，是因为它是凸的，并且保证有极值。

在本文中，我们着重具体地来介绍一下二段法（The 2-Phase Method）和单纯形法（the Simplex Algorithm）两种方法。

本文介绍了解线性规划问题，求解最优解(Optimal Solution)的方法。