全部笔记的汇总贴(视频也有传送门):中科大-凸优化
Slater条件:凸问题 P ∗ = d ∗ ? P^*=d^*? P∗=d∗?
- 充分条件
- 非凸问题
min f 0 ( x ) s . t . f i ( x ) ≤ 0 i = 1 , ⋯ , m x ∈ D \min f_0(x)\\s.t.\;f_i(x)\le0\;i=1,\cdots,m\\x\in D minf0(x)s.t.fi(x)≤0i=1,⋯,mx∈D
四种解释:几何、多目标优化、鞍点、经济学
经济学解释
x x x:产品
f 0 ( x ) f_0(x) f0(x):损失
f i ( x ) f_i(x) fi(x):第 i i i种原材料
最优: P ∗ P^* P∗
原料可交易 λ i : min f 0 ( x ) + ∑ i = 1 m λ i f i ( x ) = g ( λ ) ≤ P ∗ \lambda_i:\min f_0(x)+\sum_{i=1}^m\lambda_if_i(x)=g(\lambda)\le P^* λi:minf0(x)+∑i=1mλifi(x)=g(λ)≤P∗(不同的材料肯定可以卖掉降低损失)
d ∗ = max λ ≥ 0 g ( λ ) ≤ P ∗ ( 即 使 选 择 一 个 不 利 的 价 格 ) d ∗ = P ∗ ? λ ∗ 为 对 偶 问 题 的 最 优 解 影 子 价 格 { f i ( x ) < 0 , 此 时 λ i ∗ = 0 ( 当 价 格 为 0 时 , 卖 不 卖 都 一 样 , 有 库 存 ) 当 λ i ∗ > 0 , 则 f i ( x ∗ ) = 0 ( 能 卖 了 赚 钱 的 全 卖 了 , 库 存 为 0 ) d^*=\max_{\lambda\ge0}g(\lambda)\le P^*(即使选择一个不利的价格)\\d^*=P^*\;\;?\;\;\lambda^*为对偶问题的最优解\;\;\;影子价格\\\left\{ \begin{array}{l} f_i(x)<0,此时\lambda^*_i=0(当价格为0时,卖不卖都一样,有库存) \\ \\当\lambda^*_i>0,则f_i(x^*)=0(能卖了赚钱的全卖了,库存为0) \end{array} \right. d∗=λ≥0maxg(λ)≤P∗(即使选择一个不利的价格)d∗=P∗?λ∗为对偶问题的最优解影子价格⎩⎨⎧fi(x)<0,此时λi∗=0(当价格为0时,卖不卖都一样,有库存)当λi∗>0,则fi(x∗)=0(能卖了赚钱的全卖了,库存为0)
鞍点解释
f ( w , z ) f(w,z) f(w,z)再集合 w ∈ S w , z ∈ S z w\in S_w,z\in S_z w∈Sw,z∈Sz上
sup z ∈ S z inf w ∈ S w f ( w , z ) ≤ inf w ∈ S w sup z ∈ S z f ( w , z ) ( min − max 不 等 式 ) \sup_{z\in S_z}\inf_{w\in S_w} f(w,z)\le \inf_{w\in S_w}\sup_{z\in S_z}f(w,z)(\min-\max不等式) z∈Szsupw∈Swinff(w,z)≤w∈Swinfz∈Szsupf(w,z)(min−max不等式)
{ sup z ∈ S z inf w ∈ S w f ( w , z ) = inf w ∈ S w sup z ∈ S z f ( w , z ) arg w , z { sup z ∈ S z inf w ∈ S w f ( w , z ) } = arg w , z { inf w ∈ S w sup z ∈ S z f ( w , z ) } ( w ~ , z ~ ) 使 等 式 成 立 称 为 鞍 点 \left\{ \begin{array}{l} \sup_{z\in S_z}\inf_{w\in S_w} f(w,z)= \inf_{w\in S_w}\sup_{z\in S_z}f(w,z) \\ \\\arg_{w,z}\{\sup_{z\in S_z}\inf_{w\in S_w} f(w,z)\}=\arg_{w,z}\{\inf_{w\in S_w}\sup_{z\in S_z} f(w,z)\} \end{array} \right.\\(\widetilde w,\widetilde z)使等式成立称为鞍点 ⎩⎨⎧supz∈Szinfw∈Swf(w,z)=infw∈Swsupz∈Szf(w,z)argw,z{
supz∈Szinfw∈Swf(w,z)}=argw,z{
infw∈Swsupz∈Szf(w,z)}(w
,z
)使等式成立称为鞍点
f ( w ~ , z ) ≤ f ( w ~ , z ~ ) ≤ f ( w , z ~ ) , ∀ z ∈ S z , w ∈ S w L ( x , λ ) = f 0 ( x ) + ∑ i = 1 m λ i f i ( x ) sup λ ≥ 0 { L ( x , λ ) } = { f 0 ( x ) , f i ( x ) ≤ 0 , i = 1 , ⋯ , m + ∞ , o t h e r w i s e f(\widetilde w,z)\le f(\widetilde w,\widetilde z)\le f(w,\widetilde z),\forall z\in S_z,w\in S_w\\L(x,\lambda)=f_0(x)+\sum_{i=1}^m\lambda_if_i(x)\\\sup_{\lambda\ge0}\{L(x,\lambda)\}=\left\{ \begin{array}{l} f_0(x),\;f_i(x)\le0,i=1,\cdots,m \\ \\+\infty,\;\;otherwise \end{array} \right. f(w ,z)≤f(w ,z )≤f(w,z ),∀z∈Sz,w∈SwL(x,λ)=f0(x)+i=1∑mλifi(x)λ≥0sup{ L(x,λ)}=⎩⎨⎧f0(x),fi(x)≤0,i=1,⋯,m+∞,otherwise
P ∗ = min x { f 0 ( x ) ∣ f i ( x ) ≤ 0 , i = 1 , ⋯ , m } = inf x sup λ ≥ 0 { L ( x , λ ) } d ∗ = sup λ inf x { L ( x , λ ) } ( = sup λ ≥ 0 g ( λ ) ) P ∗ = d ∗ , ( x ~ , λ ~ ) 为 鞍 点 } P ∗ ≥ d ∗ \left. \begin{array}{r} P^*=\min_x\{f_0(x)|f_i(x)\le0,i=1,\cdots,m\}=\inf_x\sup_{\lambda\ge0}\{L(x,\lambda)\}\\ \\d^*=\sup_{\lambda}\inf_x\{L(x,\lambda)\}{\color{blue}(=\sup_{\lambda\ge0}g(\lambda))} \\\\P^*=d^*,(\widetilde x,\widetilde \lambda)为鞍点 \end{array} \right\} P^*\ge d^* P∗=minx{ f0(x)∣fi(x)≤0,i=1,⋯,m}=infxsupλ≥0{ L(x,λ)}d∗=supλinfx{ L(x,λ)}(=supλ≥0g(λ))P∗=d∗,(x ,λ )为鞍点⎭⎪⎪⎪⎪⎬⎪⎪⎪⎪⎫P∗≥d∗
鞍点定理
若 ( x ~ , λ ~ ) (\widetilde x,\widetilde \lambda) (x ,λ )为 L ( x ~ , λ ~ ) L(\widetilde x,\widetilde \lambda) L(x ,λ )的鞍点 ⇔ \Leftrightarrow ⇔强对偶存在,且 x ~ , λ ~ \widetilde x,\widetilde \lambda x ,λ 为primer与dual最优解。
(抱歉,实在不不想敲了…)
下一章传送门:中科大-凸优化 笔记(lec36)-KKT条件