全部笔记的汇总贴(视频也有传送门):中科大-凸优化
一、线性等式约束的凸优化问题
αk=arg minα≥0f(xk+αdk)xk+1=xk+αkdk\alpha^k = \argmin_{\alpha\ge0}f(x^k+\alpha d^k)\\x^{k+1}=x^k+\alpha^kd^kαk=α≥0argminf(xk+αdk)xk+1=xk+αkdk
二、拉格朗日法
xk+1=xk−αk(∇f(xk)+ATvk)vk+1=vk+αk(Axk−b)x^{k+1}=x^k-\alpha^k(\nabla f(x^k)+A^Tv^k)\\v^{k+1}=v^k+\alpha^k(Ax^k-b)xk+1=xk−αk(∇f(xk)+ATvk)vk+1=vk+αk(Axk−b)
三、增广拉格朗日法
Lc(x,v)=f(x)+vT(Ax−b)+C2∣∣Ax−b∣∣22minf(x)+C2∣∣Ax−b∣∣22s.t.Ax=bL_c(x,v)=f(x)+v^T(Ax-b)+\frac C2||Ax-b||_2^2\;\\\;\\\;\\\min f(x)+\frac C2||Ax-b||_2^2 \\s.t.\;Ax=bLc(x,v)=f(x)+vT(Ax−b)+2C∣∣Ax−b∣∣22minf(x)+2C∣∣Ax−b∣∣22s.t.Ax=b
KKT条件
xk+1=xk−αk∇Lc(xk,vk)vk+1=vk+αk(Axk−b)⇒xk+1=arg minxLc(x,vk)(并不需要十分精确的解)vk+1=vk+c(Axk+1−b)(AugmentedLagrangianMethod)x^{k+1}=x^k- \alpha^k\nabla L_c(x^k,v^k)\\v^{k+1}=v^k+\alpha^k(Ax^k-b)\\\;\;\\\Rightarrow\;x^{k+1}=\argmin_x L_c(x,v^k)(并不需要十分精确的解)\\v^{k+1}=v^k+c(Ax^{k+1}-b)\\(Augmented\;Lagrangian\;Method)xk+1=xk−αk∇Lc(xk,vk)vk+1=vk+αk(Axk−b)⇒xk+1=xargminLc(x,vk)(并不需要十分精确的解)vk+1=vk+c(Axk+1−b)(AugmentedLagrangianMethod)
性质:
- 若v=v∗v=v^*v=v∗,则∀c>0,x∗=arg minxLc(x,v∗)\forall c>0,x^*=\argmin_x L_c(x,v^*)∀c>0,x∗=xargminLc(x,v∗)
- 若c→+∞c\rightarrow+\inftyc→+∞,则∀v,x(=arg minxLc(x,v)\forall v,x^(=\argmin_x L_c(x,v)∀v,x(=xargminLc(x,v)
下一章传送门:中科大-凸优化 笔记(lec52)-常用技巧(分布式计算)