projection theorem
给定一个非零向量 x\mathbf{x}x, 考虑 内部优化问题( inner optimization problem):
minR∼(μ,Σ)E[u(x′R)]\mathop{\min}\limits_{\mathbf{R}\sim(\mu,\Sigma)}E[u(x'\mathbf{R})]R∼(μ,Σ)minE[u(x′R)] 其中 uuu 是效用函数。
显然,对于每个可行的随机变量 R∼(μ,Σ)\mathbf{R}\sim(\mu,\Sigma)R∼(μ,Σ),它对应的投射随机变量(projected random variable) rx=x′R\mathbf{r}_x=x'\mathbf{R}rx=x′R 的均值为 μx=x′μ\mu_x=x'\muμx=x′μ,方差为 σx2=x′Σx\sigma_x^2=x'\Sigma xσx2=x′Σx。因此 rx\mathbf{r}_xrx 是 minr∼(μx,σx2)E[u(r)]\mathop{\min}\limits_{\mathbf{r}\sim(\mu_x,\sigma_x^2)}E[u(\mathbf{r})]r∼(μx,σx2)minE[u(r)] 的可行解,从而 minR∼(μ,Σ)E[u(x′R)]≥minr∼(μx,σx2)E[u(r)]\mathop{\min}\limits_{\mathbf{R}\sim(\mu,\Sigma)}E[u(x'\mathbf{R})]\ge \mathop{\min}\limits_{\mathbf{r}\sim(\mu_x,\sigma_x^2)}E[u(\mathbf{r})]R∼(μ,Σ)minE[u(x′R)]≥r∼(μx,σx2)minE[u(r)]
Popescu的文章中证明了,不管 uuu 取何种效用函数,有:
投射定理. minR∼(μ,Σ)E[u(x′R)]=minr∼(μx,σx2)E[u(r)]\mathop{\min}\limits_{\mathbf{R}\sim(\mu,\Sigma)}E[u(x'\mathbf{R})] =\mathop{\min}\limits_{\mathbf{r}\sim(\mu_x,\sigma_x^2)}E[u(\mathbf{r})]R∼(μ,Σ)minE[u(x′R)]=r∼(μx,σx2)minE[u(r)]
Remark. 这里 RRR 是个随机向量,r=x′Rr=x'Rr=x′R 则变为一个随机值。所以,投射定理本质上就是说 将一个随机向量分布的优化问题投射到随机值分布上去。
Example. [2] 中的定理2:给定 s0∈R,s∈Rn,s≠0,α>0s_0\in\mathbb{R}, \mathbf{s}\in\mathbb{R}^n, \mathbf{s}\neq0,\alpha>0s0∈R,s∈Rn,s̸=0,α>0,那么存在 v0∈R,v∈Rn,V∈S+nv_0\in\mathbb{R}, \mathbf{v}\in\mathbb{R}^n, \mathbf{V}\in\mathbb{S}_+^nv0∈R,v∈Rn,V∈S+n 使得下面的约束条件成立
(1)v0+tr(ΣV)≤α  v_0 + \text{tr}(\mathbf{\Sigma}\mathbf{V})\leq \alpha\qquad\;\tag{1}v0+tr(ΣV)≤α(1) (2)[v0−s0(v−s)′2v−s2V]∈S+n\begin{bmatrix} v_0-s_0 & \frac{(\mathbf{v}-\mathbf{s})'}{2} \\ \frac{\mathbf{v}-\mathbf{s}}{2} & \mathbf{V} \end{bmatrix}\in\mathbb{S}_+^n\tag{2}[v0−s02v−s2(v−s)′V]∈S+n(2) (3)[v0v′2v2V]∈S+n  \begin{bmatrix} v_0 & \frac{\mathbf{v}'}{2} \\ \frac{\mathbf{v}}{2} & \mathbf{V} \end{bmatrix}\in\mathbb{S}_+^n\qquad\quad\;\tag{3}[v02v2v′V]∈S+n(3) 当且仅当 (4)s′Σs≤4α(α−s0)\mathbf{s}'\mathbf{\Sigma}\mathbf{s} \leq 4\alpha(\alpha-s_0)\tag{4}s′Σs≤4α(α−s0)(4)
此定理的证明,[2] 说可以用投射定理以及其它结果来证明,同时他给出了直接的证明。实际上,在接触到投射定理之前,我已经有了比较类似的直觉,这种直觉(或者说不严格的技巧)本质上就是投射定理。下面我们用这种直觉来处理上面的定理(这种直觉是应用投射定理的很好的途径)。
拉马努金似的证明:(投射定理的本质)令
v=rs,V=t ss′\mathbf{v}=r\mathbf{s}, \mathbf{V}=t\,\mathbf{s}\mathbf{s}'v=rs,V=tss′ 其中 t≥0t\ge 0t≥0,这样就将 v,V\mathbf{v}, \mathbf{V}v,V 转换为两个实数变量 r,tr,tr,t。
这样 (2 ) 变为
[v0−s0r−12s′r−12st ss′]∈S+n\begin{bmatrix} v_0-s_0 & \frac{r-1}{2}\mathbf{s}' \\ \frac{r-1}{2}\mathbf{s} & t\,\mathbf{s}\mathbf{s}' \end{bmatrix}\in\mathbb{S}_+^n[v0−s02r−1s2r−1s′tss′]∈S+n 由此可得到
(5){v0≥s0r≥1t≥(r−1)24(v0−s0)\begin{cases} v_0\ge s_0 \\ r\ge 1 \\ t\ge \frac{(r-1)^2}{4(v_0-s_0)} \end{cases} \tag{5}⎩⎪⎨⎪⎧v0≥s0r≥1t≥4(v0−s0)(r−1)2(5) 类似地,(3) 变为
[v0r2s′r2st ss′]∈S+n\begin{bmatrix} v_0 & \frac{r}{2}\mathbf{s}' \\ \frac{r}{2}\mathbf{s} & t\,\mathbf{s}\mathbf{s}' \end{bmatrix}\in\mathbb{S}_+^n[v02rs2rs′tss′]∈S+n 可推得 (6){v0≥0t≥r24v0\begin{cases} v_0\ge 0 \\ t\ge \frac{r^2}{4v_0} \end{cases} \tag{6}{v0≥0t≥4v0r2(6) 进而我们有
(7)t≥14v0≥14αt\ge \frac{1}{4 v_0}\ge\frac{1}{4\alpha} \tag{7}t≥4v01≥4α1(7) 其中第一个不等号由 (5) 和 (6) 可得,第二个不等号由(1)推得。
最后,对(1)做投射可得
v0+t s′Σs≤αv_0+t\,\mathbf{s}'\Sigma\mathbf{s}\leq\alphav0+ts′Σs≤α 利用 (5) 和 (7) 式即可推出 s′Σs≤4α(α−s0)\mathbf{s}'\Sigma\mathbf{s}\leq 4\alpha(\alpha-s_0)s′Σs≤4α(α−s0)算毕。
Remark. 拉马努金不是帮助我们证明定理的,而是帮助我们发现定理的。
参考文献
[1] Popescu, Ioana. 2007. Robust mean-covariance solutions for stochastic optimization. Operations Research 55(1) 98–112.
[2] Yu Zhang, Roberto Baldacci, Melvyn Sim, Jiafu Tang, Routing optimization with time windows under uncertainty, Math. Program
projection theorem相关推荐
- 实用线性代数和凸优化 Convex Optimization
If not specified, the following conditions are assumed. X∈Rn∗mA∈Rm∗nX \in R^{n*m} \\ A \in R^{m*n} X ...
- 泛函分析4——希尔伯特空间
文章目录 它只是为了凑个标题 3 Hilbert Spaces 3.1Introduction Definition Example Theorem Corollary 3.2 Hilbert Spa ...
- 凸优化笔记(非常零碎)
1. Lipschitz Funcion(李比西斯函数) 对于不光滑(nonsomooth)的凸函数的分析引入了Lipschitz functions: 定义: 2.Nonexpansiveness ...
- 【论文笔记之 APA】an adaptive filtering algorithm using an orthogonal projection to an affine subspace ...
本文对 Kazuhiko Ozeki 等人于 1984 年在 Electronics and Communications in Japan (Part I: Communications) 上发表的 ...
- 6.8 The Primary Decomposition Theorem
这个定理(Theorem 12)可能是非计算导向的线性代数课中比较重要的定理之一,也许比它重要的就是Spectral Theory了.这一定理从一个operator TTT的minimal polyn ...
- URP Panini Projection 魔法
URP Panini Projection 魔法 然而,并没有文字记录这些非凡的视角是如何构建的! 文章目录 URP Panini Projection 魔法 1 帕尼尼投影是什么 2 Unity 实 ...
- 《OpenCV3编程入门》学习笔记9 直方图与匹配(四)反向投影(back projection)
9.4 反向投影(back projection) 9.4.1 反向投影原理 1.基本思想: 反向投影中储存的数值代表了图像中该像素属于区域的概率,计算某一特征的直方图模型,使用模型寻找图像中存在 ...
- ADPRL - 近似动态规划和强化学习 - Note 5 - Banach Fixed Point Theorem in Dynamic Programming
动态规划中的巴拿赫不动点定理 5. Banach Fixed Point Theorem in Dynamic Programming 5.1 巴拿赫不动点定理定理 (Banach fixed poi ...
- Storm Trident示例function, filter, projection
以下代码演示function, filter, projection的使用,可结合注释 省略部分代码,省略部分可参考:https://blog.csdn.net/nickta/article/deta ...
- Rouche Theorem(Stein复分析)
Rouche Theorem: \quadIffandgareholomorphicfunctionsinaregionΩcontainingacircleCanditsinterior,and∣f( ...
最新文章
- TeamLab安装及使用
- 智能零售来了!Amazon Go无人商店周一正式对公众开放
- 手机可以阅读html吗,手机文档html能删除吗
- 按摩加快肌肉修复有科学依据了,哈佛大学研究成果登Science子刊
- Docker框架的使用系列教程(二)
- java中如何生成随机数?
- com.taobao.config.client.exception.ConfigClientException: cannot get serverlist, so exit jvm env=DEF
- laravel框架常用目录路径
- ARM V8 SPEC B1 AArch64 Application level programer‘s Model
- 数据清洗有哪些方法?
- awk从atq检索第一个字段报告 [英]awk to retrieve the first field report from atq
- lempel ziv matlab,使用Lempel-Ziv压缩
- Python 爬虫 + 人脸检测 —— 知乎高颜值图片抓取
- 如何解决chrome flash 过期
- 2021西部云安全峰会召开:“云安全优才计划”发布,腾讯云安全攻防矩阵亮相
- JAVA阈值告警字符串解析
- Talib常用函数图像形态识别
- 安徒生:荣耀世界的丑小鸭
- ASEMI代理ADXL345BCCZ-RL7原装ADI车规级ADXL345BCCZ-RL7
- 老友记第一季-第5集背诵句