參考:
lglobal optimization or better local optimization
lconvex set:假設對於任意x,y∈c並且任意引數,a∈[0,1],我們對ax+(1-a)y∈c
lconvex function define:函式的定義域domf為凸集,對於定義域裡任意x,y,函式滿足f(θx + (1-θy))<=θf(x)+(1-θ)f(y)
ldecision variable
lobjective function
lconstraint
l判斷型別
l設計或使用
llp:transportation(運輸) problem:
min transportation cost minf s.t. 條件
lportfolio optimization:10萬塊錢-->買多支** mean variance portfolio optimization
lset cover problem:找最少集合的個數
lexhaustive search :列舉(np-hard的時候可用)
lstrong and weak duality:結果可能不一樣
lstrong條件:conplementary slackness
參考:l global optimization or better local optimization
l convex set:假設對於任意x,y∈c並且任意引數,a∈[0,1],我們對ax+(1-a)y∈c
l convex function define:函式的定義域domf為凸集,對於定義域裡任意x,y,函式滿足f(θx + (1-θy))<=θf(x)+(1-θ)f(y)
l decision variable
l objective function
l constraint
l 判斷型別
l 設計或使用
l lp:transportation(運輸) problem:
min transportation cost minf s.t. 條件
l portfolio optimization:10萬塊錢-->買多支** mean variance portfolio optimization
l set cover problem:找最少集合的個數
l exhaustive search :列舉(np-hard的時候可用)
l greedy search:local method-->global optimization
l non-convex --> relax -->convex
l primal-->dual
l lower bound property:p*>=d*
l strong and weak duality:結果可能不一樣
l strong條件:conplementary slackness
凸優化 對偶問題解題步驟
對偶問題解題步驟 1.根據原始問題寫出拉格朗日函式 構造方式為,將原始問題優化的函式,減去所有比例因子乘以大於等於0的式子,得到原始問題的拉格朗日函式 減去而不是加上的原因是,對偶問題是不斷最大化原始問題的下限,從而逼近原始問題的最小值。當原函式為凸函式時,對偶問題的解通常等於原始問題的解。2.根據...
凸優化,對偶問題與拉格朗日函式
優化問題的基本形式 最大值問題可轉化為最小值問題 優化問題的域 可行域 所有可行點的集合 最優化值 最優化解 凸優化問題的基本形式 其中,約束函式f x 是凸函式,h x 為仿射函式 仿射函式 即最高次數為1的多項式函式。常數項為零的仿射函式稱為線性函式。凸優化問題的重要性質 1.凸優化問題的可行域...
凸優化 非凸優化
凸 convex vs 非凸的概念,數學定義就不寫了,介紹個直觀判斷乙個集合是否為convex的方法,如下圖 簡單的測試乙個集合是不是凸的,只要任意取集合中的倆個點並連線,如果說連線段完全被包含在此集合中,那麼這個集合就是凸集,例如左圖所示。凸優化有個非常重要的定理,即任何區域性最優解即為全域性最優...