UA SIE545 优化理论基础4 对偶理论简介4 求解对偶问题的割平面算法
UA SIE545 优化理论基础4 对偶理论简介4 求解对偶问题的割平面算法
这一讲我们介绍一个求解对偶问题的算法——割平面算法(cutting plane algorithm)。
假设原问题为
minx∈Xf(x)s.t.g(x)≤0,h(x)=0\min_{x \in X}f(x) \ \ s.t. \ \ g(x) \le 0,h(x)=0x∈Xminf(x) s.t. g(x)≤0,h(x)=0
假设f,g,hf,g,hf,g,h是连续函数,XXX是紧集。根据定义,这个优化的对偶问题是
maxu≥0θ(u,v)=maxu≥0minx∈Xf(x)+uTg(x)+vTh(x)\max_{u \ge 0} \theta(u,v)=\max_{u \ge 0}\min_{x \in X} f(x)+u^Tg(x)+v^Th(x)u≥0maxθ(u,v)=u≥0maxx∈Xminf(x)+uTg(x)+vTh(x)
我们可以等价地把这个优化改写成:
maxz,u,vzs.t.z≤θ(u,v)=minx∈Xf(x)+uTg(x)+vTh(x)u≥0\max_{z,u,v} z \\ s.t. \ z \le \theta(u,v)=\min_{x \in X} f(x)+u^Tg(x)+v^Th(x)\\u \ge 0z,u,vmaxzs.t. z≤θ(u,v)=x∈Xminf(x)+uTg(x)+vTh(x)u≥0
进一步,
maxz,u,vzs.t.z≤f(x)+uTg(x)+vTh(x),∀x∈Xu≥0\max_{z,u,v} z \\ s.t. \ z \le f(x)+u^Tg(x)+v^Th(x),\forall x \in X\\u \ge 0z,u,vmaxzs.t. z≤f(x)+uTg(x)+vTh(x),∀x∈Xu≥0
当给定xxx的值时,这个优化就是一个简单的线性规划,为了让这种替代可行,我们希望XXX是一个有限集,这样才能在有限步内结束循环。但一般XXX都不会是有限集,这时我们可以先给定一个xxx的初值,然后在每一次做完这个优化后,再去求解minx∈Xf(x)+uTg(x)+vTh(x)\min_{x \in X} f(x)+u^Tg(x)+v^Th(x)minx∈Xf(x)+uTg(x)+vTh(x)这个问题,从而得到一个新的xxx,这样就避免了去遍历无限集XXX。基于这个思想,我们可以定义下面的算法:
- 初始化:定义k=1k=1k=1,选择初值x0x_0x0使得x0∈Xx_0 \in Xx0∈X, g(x0)≤0,h(x0)=0g(x_0) \le 0,h(x_0)=0g(x0)≤0,h(x0)=0
- 求解Master Program:(zk,uk,vk)=arg maxz,u,vzs.t.z≤f(x)+uTg(x)+vTh(x),∀x=x0,x1,⋯,xk−1u≥0(z_k,u_k,v_k)=\argmax_{z,u,v} z \\ s.t. z \le f(x)+u^Tg(x)+v^Th(x),\forall x=x_0,x_1,\cdots,x_{k-1} \\ u \ge 0(zk,uk,vk)=z,u,vargmaxzs.t.z≤f(x)+uTg(x)+vTh(x),∀x=x0,x1,⋯,xk−1u≥0
- 求解subproblem: xk=arg minx∈Xf(x)+ukTg(x)+vkTh(x)x_k = \argmin_{x \in X}f(x)+u^T_kg(x)+v^T_kh(x)xk=x∈Xargminf(x)+ukTg(x)+vkTh(x)
- 停止准则:如果zk=θ(uk,vk)=f(xk)+ukTg(xk)+vkTh(xk)z_k=\theta(u_k,v_k)=f(x_k)+u^T_kg(x_k)+v^T_kh(x_k)zk=θ(uk,vk)=f(xk)+ukTg(xk)+vkTh(xk)则停止循环,返回(uk,vk)(u_k,v_k)(uk,vk);如果zk>θ(uk,vk)z_k>\theta(u_k,v_k)zk>θ(uk,vk), 赋值k=k+1k=k+1k=k+1,回到第二步。
例 用割平面法求解下面的优化的对偶问题
min(x1,x2)∈Xf(x1,x2)=(x1−2)2+x224s.t.g(x1,x2)=x1−72x2−1≤0X={(x1,x2):2x1+3x2=4}\min_{(x_1,x_2) \in X} f(x_1,x_2)= (x_1-2)^2+\frac{x_2^2}{4} \\ s.t. g(x_1,x_2)=x_1-\frac{7}{2}x_2-1 \le 0 \\ X = \{(x_1,x_2):2x_1+3x_2=4\}(x1,x2)∈Xminf(x1,x2)=(x1−2)2+4x22s.t.g(x1,x2)=x1−27x2−1≤0X={(x1,x2):2x1+3x2=4}
找一个初始值x0=(54,12)x_0=(\frac{5}{4},\frac{1}{2})x0=(45,21),
第一次循环:
求解Master Problem
maxz,u,vzs.t.z≤f(x0)+uTg(x0)+vTh(x0)=58−32uu≥0\max_{z,u,v} z \\ s.t. \ z \le f(x_0)+u^Tg(x_0)+v^Th(x_0)=\frac{5}{8}-\frac{3}{2}u\\u \ge 0z,u,vmaxzs.t. z≤f(x0)+uTg(x0)+vTh(x0)=85−23uu≥0
最优解为(z1,u1)=(58,0)(z_1,u_1)=(\frac{5}{8},0)(z1,u1)=(85,0)。
求解subproblem
x1=arg minx∈Xf(x)+ukTg(x)+vkTh(x)=arg minx∈Xf(x)=(2,0)x_1 = \argmin_{x \in X}f(x)+u^T_kg(x)+v^T_kh(x) \\ =\argmin_{x \in X}f(x) = (2,0)x1=x∈Xargminf(x)+ukTg(x)+vkTh(x)=x∈Xargminf(x)=(2,0)
判断是否停止
z1=58>θ(u1)=f(x1)=0z_1 = \frac{5}{8} >\theta(u_1)=f(x_1) = 0z1=85>θ(u1)=f(x1)=0,所以算法继续。
第二次循环:
求解Master Problem
maxz,u,vzs.t.z≤f(x0)+uTg(x0)+vTh(x0)=58−32uz≤f(x1)+uTg(x1)+vTh(x1)=uu≥0\max_{z,u,v} z \\ s.t. \ z \le f(x_0)+u^Tg(x_0)+v^Th(x_0)=\frac{5}{8}-\frac{3}{2}u \\ z \le f(x_1)+u^Tg(x_1)+v^Th(x_1)= u \\u \ge 0z,u,vmaxzs.t. z≤f(x0)+uTg(x0)+vTh(x0)=85−23uz≤f(x1)+uTg(x1)+vTh(x1)=uu≥0
最优解为(z2,u2)=(14,14)(z_2,u_2)=(\frac{1}{4},\frac{1}{4})(z2,u2)=(41,41)。
。。。。
然后按步骤继续循环即可!
UA SIE545 优化理论基础4 对偶理论简介4 求解对偶问题的割平面算法相关推荐
- UA SIE545 优化理论基础4 对偶理论简介6 求解对偶问题的梯度算法
UA SIE545 优化理论基础4 对偶理论简介6 求解对偶问题的梯度算法 这一讲我们介绍求解对偶问题的另一个算法--梯度算法(gradient method). 假设原问题为 minx∈Xf(x) ...
- UA SIE545 优化理论基础4 对偶理论简介3 强对偶
UA SIE545 优化理论基础4 对偶理论简介3 强对偶 上一讲介绍了弱对偶,弱对偶满足 inf{f(x):x∈X,g(x)≤0,h(x)=0}≥sup{θ(u,v):u≥0}\inf\{f(x ...
- UA SIE545 优化理论基础4 对偶理论简介5 对偶的几何解释
UA SIE545 优化理论基础4 对偶理论简介5 对偶的几何解释 前四讲我们建立了弱对偶与强对偶的概念与理论,这一讲我们试图从直观上理解对偶. 强对偶的几何解释 考虑下面的优化 min(x−2)2 ...
- UA SIE545 优化理论基础4 对偶理论简介2 弱对偶与Duality Gap
UA SIE545 优化理论基础4 对偶理论简介2 弱对偶与Duality Gap 上一讲我们定义了Lagrange对偶,这一讲我们介绍第一个重要结论--弱对偶定理(Weak duality theo ...
- UA SIE545 优化理论基础4 对偶理论简介1 松弛问题与Lagrange对偶
UA SIE545 优化理论基础4 对偶理论简介1 松弛问题与Lagrange对偶 优化理论基础第四部分介绍对偶问题(Dual problem)及其简单性质,是对偶理论的入门,后续章节会更深入地讨论对 ...
- UA SIE545 优化理论基础1 例题1 常见的凸集
UA SIE545 优化理论基础1 例题1 常见的凸集 一些例题 在优化理论中,我们主要讨论下面几种凸集: 超平面:{x:pTx=β}\{x:p^Tx=\beta\}{x:pTx=β} 半空间:{x: ...
- UA SIE545 优化理论基础 用Farkas定理证明Farkas类的结论
UA SIE545 优化理论基础 用Farkas定理证明Farkas类的结论 Farkas定理 AAA是一个m×nm\times nm×n的矩阵,下面两个系统有且仅有一个有解: I:Ax≤0,cTx& ...
- UA SIE545 优化理论基础 函数凸性的一些有趣的判断方法
UA SIE545 优化理论基础 函数凸性的一些有趣的判断方法 Convex function f:S→Rf:S \to \mathbb{R}f:S→R where SSS is a nonempty ...
- UA SIE545 优化理论基础 例题 对偶函数的凸性与次梯度计算
UA SIE545 优化理论基础 例题 对偶函数的凸性与次梯度计算 例 考虑对偶函数 θ(u1,u2)=minx12+x22≤4x1(2−u1)+x2(3−u2)\theta(u_1,u_2) = ...
最新文章
- ibm db2获取目标时间与当前时间的差值_高帧频视觉实时目标检测系统
- python语言安装-Python安装
- HTML 介绍及标签
- distance在函数 int_TensorFlow函数:tf.losses.cosine_distance
- git 可视化工具_版本控制可视化神器Gource:简单易上手,效果恰似烟花秀
- hashcode java_java 的Object类的hashcode()方法具体是怎么实现的?
- 机器视觉【基础】什么是机器视觉?
- python灰度图生成g代码_Python打造一个在线G代码生成器
- python基本语言元素是_Python-基本语法元素
- 最简单的基于FFMPEG的音频编码器(PCM编码为AAC)
- 移动端利用chrome浏览器在PC端进行调试方法
- 推荐一款MD神器吧:重度MD用户必备神器
- js通过资源链接下载文件
- 串行口终端乱码的解决.
- LAPARDIN WEDLUTS Romantic Wedding LUTs 浪漫唯美婚礼电影调色预设
- 【基于时间序列的变形观测的数据处理方法的研究】
- 大家查找医疗英文文献都去哪个网?
- 信息网络安全模拟题----软考高项的走过来
- 云服务器deeplearning_吴恩达deeplearning.ai将于11月6日开放第四课,主讲卷积神经网络...
- 城市轨道交通信号系统