赞
踩
具体详见此节:
最优化理论与方法-第十讲-约束优化我们定义duality-gap 表示原问题的最优值减去对偶问题的最优值如下:
d
u
a
l
i
t
y
g
a
p
=
v
(
P
)
−
v
(
D
)
假设我们有如下约束优化问题:
原问题:
(
P
)
min
{
x
1
2
+
x
2
2
}
s
t
.
−
x
1
−
x
2
≤
−
1
2
,
x
∈
Z
+
2
根据图形可得,当 x 1 = 0 , x 2 = 1 x_1=0,x_2=1 x1=0,x2=1时可以去的最小值,则 v ( P ) = 1 v(P)=1 v(P)=1
拉格朗日函数如下:
d
(
x
,
λ
)
=
x
1
2
+
x
2
2
+
λ
(
1
2
−
x
1
−
x
2
)
对偶问题如下:
max
λ
min
(
x
1
,
x
2
)
{
d
(
x
,
λ
)
}
=
max
λ
min
(
x
1
,
x
2
)
{
x
1
2
+
x
2
2
+
λ
(
1
2
−
x
1
−
x
2
)
}
化简如下:
max
λ
min
(
x
1
,
x
2
)
{
d
(
x
,
λ
)
}
=
max
λ
min
(
x
1
,
x
2
)
{
(
x
1
−
λ
2
)
2
+
(
x
2
−
λ
2
)
2
+
λ
2
−
λ
2
2
}
也就是说,当 λ \lambda λ确定时,内部的最小值指的是坐标点 P ( x 1 , x 2 ) P(x_1,x_2) P(x1,x2)与 Q ( λ 2 , λ 2 ) Q(\frac{\lambda}{2},\frac{\lambda}{2}) Q(2λ,2λ)的最短距离,那我们就分类讨论 λ 2 \frac{\lambda}{2} 2λ在坐标轴哪?
当
1
2
<
λ
2
<
3
2
\frac{1}{2}<\frac{\lambda}{2}<\frac{3}{2}
21<2λ<23时,最短的点为
P
=
(
1
,
1
)
P=(1,1)
P=(1,1)
min
(
x
1
,
x
2
)
{
d
(
x
,
λ
)
}
=
min
(
x
1
,
x
2
)
{
x
1
2
+
x
2
2
+
λ
(
1
2
−
x
1
−
x
2
)
}
=
2
−
3
2
λ
当
3
2
<
λ
2
<
5
2
\frac{3}{2}<\frac{\lambda}{2}<\frac{5}{2}
23<2λ<25时,最短的点为
P
=
(
2
,
2
)
P=(2,2)
P=(2,2)
min
(
x
1
,
x
2
)
{
d
(
x
,
λ
)
}
=
min
(
x
1
,
x
2
)
{
x
1
2
+
x
2
2
+
λ
(
1
2
−
x
1
−
x
2
)
}
=
8
−
7
2
λ
当
k
−
1
2
<
λ
2
<
k
+
1
2
k-\frac{1}{2}<\frac{\lambda}{2}<k+\frac{1}{2}
k−21<2λ<k+21时,最短的点为
P
=
(
k
,
k
)
P=(k,k)
P=(k,k)
min
(
x
1
=
k
,
x
2
=
k
)
{
d
(
x
,
λ
)
}
=
min
(
x
1
=
k
,
x
2
=
k
)
{
2
k
2
+
λ
(
1
2
−
2
k
)
}
,
k
=
1
,
2
,
⋯
,
n
将
k
=
1
,
2
,
⋯
,
n
k=1,2,\cdots,n
k=1,2,⋯,n代入可得,根据
k
−
1
2
<
λ
2
<
k
+
1
2
k-\frac{1}{2}<\frac{\lambda}{2}<k+\frac{1}{2}
k−21<2λ<k+21
max
λ
min
(
x
1
,
x
2
)
{
d
(
x
,
λ
)
}
=
1
2
综上所示,
v
(
D
)
=
1
2
,
v
(
P
)
=
1
v(D)=\frac{1}{2},v(P)=1
v(D)=21,v(P)=1,可得:
d
u
a
l
i
t
y
g
a
p
=
v
(
P
)
−
v
(
D
)
=
1
−
1
2
=
1
2
强对偶成立,即:
-y
处有阴影由于 x ^ \hat{x} x^的存在,则原问题 ( P ) (P) (P)有可行解
若 v ( P ) = − ∞ v(P)=-\infty v(P)=−∞,根据弱对偶定理推论可得: d ( λ , μ ) = − ∞ , ∀ ( λ , μ ) , λ ≥ 0 d(\lambda,\mu)=-\infty,\forall\;(\lambda,\mu),\lambda \ge0 d(λ,μ)=−∞,∀(λ,μ),λ≥0
若 v ( P ) = v v(P)=v v(P)=v,根据弱对偶定理推论可得:不存在 x ∈ X x\in X x∈X,使得 f ( x ) < v , g i ( x ) ≤ 0 , i = 1 , ⋯ , m , h i ( x ) = 0 , i = 1 , ⋯ , l f(x)<v,g_i(x)\le0,i=1,\cdots,m,h_i(x)=0,i=1,\cdots,l f(x)<v,gi(x)≤0,i=1,⋯,m,hi(x)=0,i=1,⋯,l
定义H函数如下:
H
=
{
(
p
q
r
)
∈
R
1
+
m
+
l
∣
f
(
x
)
−
v
<
p
,
g
i
(
x
)
≤
q
i
,
i
=
1
,
⋯
,
m
;
h
i
(
x
)
=
r
i
,
i
=
1
⋯
,
l
,
x
∈
X
}
可知:H是凸函数,且
(
0
0
0
)
∉
H
存在
(
λ
0
λ
μ
)
≠
0
(
λ
0
λ
μ
)
T
(
p
q
r
)
≥
0
,
∀
(
p
q
r
)
∈
d
(
H
)
整理可得:
λ
0
,
q
\lambda_0,q
λ0,q为实数,不是向量,不需要转置
λ
0
p
+
λ
T
q
+
μ
T
r
≥
0
→
λ
0
≥
0
,
λ
i
≥
0
,
i
=
1
,
⋯
,
m
由图可得对于任意的
x
∈
X
x\in X
x∈X来说,都在超平面上方,所以可得:
∀
x
∈
X
,
λ
0
≥
0
,
λ
0
[
f
(
x
)
−
v
]
+
∑
i
=
1
m
λ
i
g
i
(
x
)
+
∑
i
=
1
l
μ
i
h
i
(
x
)
≥
0
Copyright © 2003-2013 www.wpsshop.cn 版权所有,并保留所有权利。