第1个回答 2022-07-28
之前,讲的下降方法以及Newton方法都是在无约束条件的前提下的。这里讨论的是在等式约束(线性方程)的前提下讨论的。我们研究的是下面的凸优化问题:
其中
请不要怀疑 条件的可靠性,否则,只需找出其线性无关组即可。而且,显然,如果 如果无解,那么优化问题同样无解。
通过对对偶问题,及KKT条件的分析,可以知道,该优化问题存在最优解的充要条件是,存在 满足:
我们首先确定矩阵 和向量 ,用以参数化可行集:
只需, 为 的一个特解即可。 是值域为 的零空间的任何矩阵(满足 ,即 可以取得所有 的解)。于是等式约束问题就可以变为无约束问题:
我们也可以为等式约束构造一个最优的对偶变量 :
我们希望导出等式约束问题:
在可行点 处䣌Newton方向 ,将目标函数换成在x附近的二阶泰勒近似:
注意上述问题时关于 的优化问题。
根据我们在文章开头提到的最优性条件,可以得到:
我们可以将Newton方向 及其相关向量 解释为最优性条件
的线性近似方程组的解。
我们用 代替 ,用 代替 ,并将第二个方程中的梯度项换成其在 附近的线性近似,从而得到:
利用 ,以上方程变成:
这上面定义的一样。
我们将等式约束问题的Newton减量定义为:
这和无约束情况表示的是一样的,因此也可以进行同样的解释。
在 处的二阶泰勒近似为:
与二次模型之间的差值满足:
从上面可以看出, 对 处的 给出了基于二次模型的一个估计,这可以作为设计好的停止准则的基础。
注意,下面的算法初始点为可行点。
对原始问题采用Newton方法的迭代过程和对利用消除法简化后采用Newton方法过程完全一致,证明翻阅《凸优化》。