- 凸优化教程
- 首页
- 简介
- 线性规划
- 范数
- 内积
- 极小值和极大值
- 凸集
- 仿射集
- 凸包
- Caratheodory 定理
- Weierstrass 定理
- 最近点定理
- 基本分离定理
- 凸锥
- 极锥
- 锥组合
- 多面体集
- 凸集的极点
- 方向
- 凸函数与凹函数
- Jensen 不等式
- 可微凸函数
- 全局最优的充分必要条件
- 拟凸函数与拟凹函数
- 可微拟凸函数
- 严格拟凸函数
- 强拟凸函数
- 伪凸函数
- 凸规划问题
- Fritz-John 条件
- Karush-Kuhn-Tucker 最优性必要条件
- 凸问题的算法
- 凸优化资源
- 凸优化 - 快速指南
- 凸优化 - 资源
- 凸优化 - 讨论
Karush-Kuhn-Tucker 最优性必要条件
考虑问题 -
$min \:f\left ( x \right )$ 使得 $x \in X$,其中 X 是 $\mathbb{R}^n$ 中的开集,且 $g_i \left ( x \right )\leq 0, i=1, 2,...,m$
令 $S=\left \{ x \in X:g_i\left ( x \right )\leq 0, \forall i \right \}$
令 $\hat{x} \in S$,且 $f$ 和 $g_i,i \in I$ 在 $\hat{x}$ 处可微,$g_i, i \in J$ 在 $\hat{x}$ 处连续。此外,$\bigtriangledown g_i\left ( \hat{x} \right), i \in I$ 线性无关。如果 $\hat{x}$ 在局部上解决了上述问题,则存在 $u_i,i \in I$ 使得
$\bigtriangledown f\left ( x\right)+\displaystyle\sum\limits_{i\in I} u_i \bigtriangledown g_i\left ( \hat{x} \right)=0$, $\:\:u_i \geq 0, i \in I$
如果 $g_i,i \in J$ 在 $\hat{x}$ 处也可微,则
$\bigtriangledown f\left ( \hat{x}\right)+\displaystyle\sum\limits_{i= 1}^m u_i \bigtriangledown g_i\left ( \hat{x} \right)=0$
$u_ig_i\left ( \hat{x} \right)=0, \forall i=1,2,...,m$
$u_i \geq 0 \forall i=1,2,...,m$
示例
考虑以下问题 -
$min \:f\left ( x_1,x_2 \right )=\left ( x_1-3\right )^2+\left ( x_2-2\right )^2$
使得 $x_{1}^{2}+x_{2}^{2}\leq 5$,
$x_1,2x_2 \geq 0$ 且 $\hat{x}=\left ( 2,1 \right )$
令 $g_1\left ( x_1, x_2 \right)=x_{1}^{2}+x_{2}^{2}-5$,
$g_2\left ( x_1, x_2 \right)=x_{1}+2x_2-4$
$g_3\left ( x_1, x_2 \right)=-x_{1}$ 且 $g_4\left ( x_1,x_2 \right )=-x_2$
因此,上述约束可以写成 -
$g_1 \left ( x_1,x_2 \right)\leq 0, g_2 \left ( x_1,x_2 \right) \leq 0$
$g_3 \left ( x_1,x_2 \right)\leq 0,$ 且 $g_4 \left ( x_1,x_2 \right) \leq 0$ 因此,$I=\left \{ 1,2 \right \}$,所以 $ u_3=0,\:\: u_4=0$
$\bigtriangledown f \left ( \hat{x} \right)=\left ( 2,-2 \right), \bigtriangledown g_1 \left ( \hat{x} \right)= \left ( 4,2 \right)$ 且
$\bigtriangledown g_2\left ( \hat{x} \right ) =\left ( 1,2 \right )$
因此,将这些值代入 Karush-Kuhn-Tucker 条件的第一个条件,我们得到 -
$u_1=\frac{1}{3}$ 且 $u_2=\frac{2}{3}$
因此,Karush-Kuhn-Tucker 条件得到满足。