📜  多元优化-KKT条件

📅  最后修改于: 2021-08-24 16:15:54             🧑  作者: Mango

什么是多元优化问题?

在多变量优化问题中,有多个变量充当优化问题中的决策变量。

z = f(x 1 ,x 2 ,x 3 …..x n )

因此,当您查看这些类型的问题时,通用函数z可能是决策变量x 1 ,x 2 ,x 3至x n的某些非线性函数。因此,有n个变量可以操纵或选择以优化此函数z。请注意,可以使用二维图像来解释单变量优化,这是因为在x方向上我们具有决策变量值,而在y方向上我们具有函数的值。但是,如果是多变量优化,则我们必须使用三维图片,并且如果决策变量大于2,则很难可视化。

为什么我们对KKT条件感兴趣?

不等式的多元优化:在数学中,不等式是在两个数字或其他数学表达式之间进行不等比的关系。它最常用于按数字大小比较数字线上的两个数字。有几种不同的表示不同类型的不等式的符号。其中<,>,≤,≥是表示不同类型不等式的常用符号。因此,如果给定的目标函数具有多个决策变量并且具有不等式,那么这就是已知的。
范例

最小2x 1 2 + 4x 2 2
英石
3×1 2×+ 2≤12

在此,x 1和x 2是与不等式约束两个决策变量3×1 2×+ 2≤12

因此,在具有不等式约束的多元优化的情况下,如果必须满足KKT条件,则x̄ *成为极小值的必要条件。因此,我们对KKT条件感兴趣。

KKT条件:

KKT代表Karush–Kuhn–Tucker 。在数学优化中,Karush–Kuhn–Tucker(KKT)条件(也称为Kuhn–Tucker条件)是一阶导数检验(有时称为一阶必要条件),可以使非线性规划中的解决方案达到最佳,前提是满足规律性条件。

因此,一般而言,多元优化问题包含等式和不等式约束。

z =最小f(x̄)
英石
h i (x̄)= 0,i = 1,2,…m
g j (x̄)≤0,j = 1,2,…l

这里我们有“ m”个等式约束和“ l”个不等式约束。

这是等式和不等式约束均处于最佳值的多元优化问题的条件。

  • 条件1

     \nabla f(x^*) + \Sigma _i_=_1^l [\nabla h_i(x^*)] \lambda _i^* + \Sigma _j_=_1^m [\nabla g_j(x^*)] \mu _j^* = 0在哪里, f(x^*) = f(x_1, x_2, …., x_n) =目标函数h(x^*) = h(x_1, x_2, …., x_n) =平等约束g(x^*) = g(x_1, x_2, …., x_n) =不等式约束\lambda _i^* =等式的标量倍数\mu _j^* =不等式约束的标量倍数

  • 条件2

    h_i(x^*) = 0 ,因为i = 1,… l

    此条件确保最佳条件满足相等性约束。

  • 条件3

    \lambda _i \in R ,因为i = 1,…,l

    lambda必须为某个实数,因此相等约束中的实数应与数量相等。

  • 条件4

    g_j(x^*) \leq 0 ,j = 1,…,m

    就像在条件2中,最优满足等式约束一样,我们还需要使不等式约束也可以由最优点来满足。因此,这确保了最佳点在可行区域内。

  • 条件5

    \mu _j^*(g_j(x^*)) = 0

    现在,这是等式约束条件和不等式约束情况之间真正的区别。将该条件称为互补松弛条件。所以,这就是说,如果您采用不等式约束与相应条件的乘积\mu _j^*则必须为0。基本上意味着\mu _j^*在这种情况下为0 g_j(x^*)可以自由设置为满足此条件的任何值,或者g_j(x^*)是0,在这种情况下,我们必须计算\mu _j^*\mu _j^*我们计算得出的值必须是正数或大于等于0。

  • 条件6

    \mu _j^* \geq 0 ,j = 1,..,m

    在条件5中,我们已经看到\mu _j^*在这种情况下为0 g_j(x^*)可以自由设置为满足此条件的任何值,或者g_j(x^*)是0,在这种情况下,我们必须计算\mu _j^*\mu _j^*我们计算出的值必须是正数或大于等于0。因此,存在此条件是为了确保无论您拥有什么最佳点,都不可能从该最佳点得到任何进一步的改进。这就是为什么出现这种情况的原因。