最优化学习 无约束优化问题的最优性条件

全部笔记的汇总贴：最优化学习目录

---

无约束问题的最优条件

考虑无约束优化问题：
$$\begin{array}{rl}\min & f(x)\\ \text{ s.t. }& x\in X\subseteq R^n\end{array}$$

• 若f(x)为凸函数 则 $x^{\ast }$是最优解 $\iff$ $\nabla f\left(x^{\ast }\right)=0_{\circ }$
• 若f(x)为一般函数
  • 一阶必要条件（First-Order Necessary Conditions）
    假设$f(x)$在$x^{\ast }$处是可微的，如果$x^{\ast }$是局部最小值，那么$\nabla f\left(x^{\ast }\right)=0$
  • 二阶必要条件（Second-Order Necessary Conditions）
    假设$f(x)$在$x^{\ast }$处是二阶可微的，如果$x^{\ast }$是局部最小值，那么$\nabla f\left(x^{\ast }\right)=0$和${\nabla }^{2}f\left({\mathbf{x}}^{\ast }\right)$是半正定矩阵
  • 二阶充分条件（Second-Order Sufficient Conditions）
    假设$f(x)$在$x^{\ast }$处是二阶可微的，如果$x^{\ast }$是局部最小值，那么$\nabla f\left(x^{\ast }\right)=0$和${\nabla }^{2}f\left({\mathbf{x}}^{\ast }\right)$是正定矩阵
    

回顾泰勒定理（Taylor’s Theorem）

为了证明，我们回顾一下泰勒定理
如果f在R上连续可微，则
$$f(x+p)=f(x)+\nabla f(x+tp{)}^{\top }p$$$$t\in (0,1)$$

如果f在R上二次连续可微，则可以得到
$$f(x+p)=f(x)+\nabla f(x{)}^{\top }p+\frac{1}{2}{p}^{\top }{\nabla }^{2}f(x+tp)p$$
具体推导如下

一阶必要条件（First-Order Necessary Conditions）

假设$f(x)$在$x^{\ast }$处是可微的，如果$x^{\ast }$是局部最小值，那么$\nabla f\left(x^{\ast }\right)=0$

$proof$如下：

二阶必要条件（Second-Order Necessary Conditions）

假设$f(x)$在$x^{\ast }$处是二阶可微的，如果$x^{\ast }$是局部最小值，那么$\nabla f\left(x^{\ast }\right)=0$和${\nabla }^{2}f\left({\mathbf{x}}^{\ast }\right)$是半正定矩阵

$proof$如下：

二阶充分条件（Second-Order Sufficient Conditions）

假设$f(x)$在$x^{\ast }$处是二阶可微的，如果$x^{\ast }$是局部最小值，那么$\nabla f\left(x^{\ast }\right)=0$和${\nabla }^{2}f\left({\mathbf{x}}^{\ast }\right)$是正定矩阵

$proof$如下：

参考

• Nocedal, Jorge, & Wright, Stephen J. (0). Numerical optimization. 2nd ed… Springer.