||
主要解决两个问题:
(1)理解拉格朗日乘子法;(2)为什么拉格朗日乘子法构造的公式又可写为min max f(x).
现在我们想求其上的点与原点的最短距离:
这里介绍一种解题思路。首先,与原点距离为 的点全部在半径为
的圆上:
那么,我们逐渐扩大圆的半径:
显然,第一次与 相交的点就是距离原点最近的点:
此时,圆和曲线相切,也就是在该点切线相同:
至此,我们分析出了:在极值点,圆与曲线相切。
2.等高线
为了继续解题,需要引入等高线。这些同心圆:
可以看作函数 的等高线:
根据梯度的性质(关于梯度可以查看如何通俗地理解梯度?),梯度向量:
是等高线的法线:
另外一个函数 的等高线为:
之前的曲线 就是其中值为3的等高线:
因此,梯度向量:
也垂直于等高线 :
梯度向量是等高线的法线,更准确地表述是:梯度与等高线的切线垂直!
3 拉格朗日乘子法
3.1 求解
根据之前的两个分析:
综合可知,在相切点,圆的梯度向量和曲线的梯度向量平行:
也就是梯度向量平行,用数学符号表示为:
还必须引入 这个条件,否则这么多等高线,不知道指的是哪一根:
因此联立方程:
求一下试试:
这就是拉格朗日乘子法!!
3.2 定义
要求函数 在
约束下的极值这种问题可以表示为:
意思是subject to,服从于,约束于的意思。
可以列出方程组进行求解:
用这个定义来翻译下刚才的例子,要求:
令:
求:
联立方程进行求解:
3.3 变形
这个定义还有种变形也比较常见,要求:
定义:
求解下面方程组即可得到答案:
把等式左边的偏导算出来就和上面的定义是一样的了。
3.4 多个约束条件
如果增加一个约束条件呢?比如说:
求:
从图上看约束条件是这样的:
很显然,所求的距离是这样的:
那这三者的法线又有什么关系呢? 的法线是
和
的法线的线性组合:
假设:
那么线性组合就表示为:
联立方程:
即可求解。
往更高维度走的话,多约束条件的情况下,问题变为了 围成的曲线
和 f 相切,直观上看
必然在
张成的空间中:
KKT条件是满足强对偶条件的优化问题的必要条件,可以这样理解:我们要求min f(x), 且满足约束条件
s.t. g_i(x) <= 0; i =1, ..., n
h_j(x) = 0; j =1, ..., m
我们构造了函数L(a, b, x) = f(x) + a*g(x) + b*h(x),a>=0,
此处详细解释为什么在KKT条件下就可以将f(x)写为:max_{a,b} L(a,b,x):我们的目标函数是要求min f(x),为此我们构造了函数L(a, b, x) = f(x) + a*g(x) + b*h(x)(a>=0),那么,由于约束条件为h(x)=0, g(x)<=0,所以我们这里为了使f(x)与L(a, b, x) 等价,用了两个方法:一是给取L(a,b,x)的最大值,这样便于后面用求导方法计算最优值,二是要满足KKT条件,因为a*g(x)是<=0,所以L(a,b,x)只有在a*g(x) = 0的情况下才能取得最大值,否则,就不满足约束条件,因此max_{a,b} L(a,b,x)在满足约束条件的情况下就是f(x)。
因此我们的目标函数minf(x)可以写为 min_x max_{a,b} L(a,b,x)。如果用对偶表达式:
max_{a,b} min_x L(a,b,x);
由于我们的优化是满足强对偶的(强对偶就是说对偶式子的最优值是等于原问题的最优值的),所以在取得最优值x0的条件下,它满足 f(x0) = max_{a,b} min_x L(a,b,x) = min_x max_{a,b} L(a,b,x) =f(x0),我们来看看中间两个式子发生了什么事情:
f(x0) = max_{a,b} min_x L(a,b,x) = max_{a,b} min_x f(x) + a*g(x) + b*h(x) = max_{a,b}
f(x0)+a*g(x0)+b*h(x0) = f(x0)
可以看到上述加黑的地方本质上是说 min_x f(x) + a*g(x) + b*h(x) 在x0取得了最小值,用fermat定理,即是说对于函数 f(x) + a*g(x) + b*h(x),求取导数要等于零,即
f(x)的梯度+a*g(x)的梯度+ b*h(x)的梯度 = 0
这就是kkt条件中第一个条件:L(a, b, x)对x求导为零。
【参考】
https://www.zhihu.com/question/38586401
https://blog.csdn.net/weixin_41694823/article/details/83411435
点滴分享,福泽你我!Add oil!
Archiver|手机版|科学网 ( 京ICP备07017567号-12 )
GMT+8, 2024-9-1 11:21
Powered by ScienceNet.cn
Copyright © 2007- 中国科学报社