数值最优化
文章平均质量分 70
整理数值最优化一书中二次规划问题求解的相关内容
夏威夷大核桃
这个作者很懒,什么都没留下…
展开
-
数值最优化定理5.3
他这里使用了一个条件,其实不是n=k时,假设成立能得出的,而是n=1,2,,,,,k都成立才有的这几个p互相共轭。虽然也不太一样,但同样的其实也没什么问题,感觉就像是归纳法的一种变体,首先n=1等式成立,然后假设,n=1, ...,k时等式都都成立,证明n=1, ... , k, k+1时等式都成立。这个说法以前其实是没见过的,第一次见同时一下子假设两个的,但细想一下,确实没什么问题。第一个地方是,假设两个等式5.17,5.18在n=k时,同时成立,然后证明5.17在n=k+1成立;原创 2023-10-20 15:20:54 · 74 阅读 · 1 评论 -
数值最优化-定理5-2
所以如果没推导错的话,可以看到,由于A的正定的性质,在开区间(0,1)里,只有x=y会满足等号成立,其余全是>大于号。第一,用共轭方向算法5.6,5.7生成的那一组x_k会保证5.11成立,也就是r_k总是和之前所有的p_k正交;第二,每次生成的x_k都会保证,这时的\phi(x_k)是 5.12式张成空间的最小值;凸函数的内容大概都知道,这个严格凸指的则是当x!=y时,一定是不等号,首先,由于5.6,5.7的计算\alpha_k的方法其实是通过。,进而就可以利用\phi本身的严格凸推导出h的严格凸了。原创 2023-10-19 23:08:28 · 83 阅读 · 1 评论 -
数值最优化-定理5.1
数值最优化定理5.1原创 2023-10-19 16:01:51 · 74 阅读 · 1 评论 -
数值最优化---二阶条件
对于第一种情况,正是书上花了很大篇幅论证的,发现与大前提A=0矛盾,但这时反证法还没有结束,因为还有第二种情况没有论证,讨论继续,后面又发现第二种情况也与大前提A=0矛盾,因此,大前提的假设错误,反证法结束。这里我们有必要对critical cone的定义式进行说明,首先要明确的是,线性可行方向。因此,全部的论证过程并不是两个反证法嵌套,而是在反证法中存在一个分类讨论,进行分别论证了而已。首先是最开始的反证法的假设,简单记作A=0;这个式子,加上12.70,发现与反证法的假设相矛盾,因此。原创 2023-02-05 18:11:57 · 724 阅读 · 1 评论 -
数值最优化---引理12.2证明
这个引理的证明看上去十分复杂,因此打算搁置在这里,但在后面的一节用到了证明的一个中间结论,所有提前来学习一下证明过程。然后是熟悉又陌生的,定理A.2,也就是高数中讲到的隐函数定理,引理12.2证明很复杂,很大程度上就是由于要构造和使用这个隐函数定理。被满足,并且由于最开始的假设,我们只考虑有效集中的约束,抛弃有效集之外的约束,进而可以证明出在。推导中的最后一个等号,就相当于在矩阵的下分块处加了一个极限为0的余项,因而不改变原来的零值。这个矩阵的维度,对于n维的空间中的m个有效的线性无关的约束,原创 2023-02-05 11:39:12 · 374 阅读 · 0 评论 -
数值最优化-有效集法求解含有不等式约束的二次规划问题
前进,那么目标函数值沿这个方向是一定会减少的,因此(博客中还说因此:“算法的迭代可以在有限次数内终止”,我觉得这个结论不太充分,但是先这么认为)算法的收敛应与怎么增加和删除约束无关。因而上面流程图的左右两侧的什么时候增加、删除约束只是一种策略,用来帮助我们实现算法的快速收敛。一种可能的想法是:从向量的角度来说,的最后一段)书中的定理16.6给出了算法的收敛性,即:只要每次沿着。,如果全部非负,那么根据上面提到的定理16.4,此时的。的定义式的分子为零,那么此时的情况是,在原来的迭代点。原创 2023-02-03 19:07:04 · 2364 阅读 · 0 评论 -
数值最优化-KKT条件(一阶必要条件)证明总结
数值最优化(numerical optimization)一书中的有关KKT条件的证明。原创 2023-01-26 19:31:19 · 2856 阅读 · 0 评论