非线性规划的对偶问题
线性规划的对偶问题很容易写出,但非线性规划的对偶问题有点不一样。
考虑非线性规划问题:
minxf(x)s.t.gi(x)≥0,i=1,…,m,hj(x)=0,j=1,…,l,x∈D.\begin{aligned} \min_{\textbf x}\quad & f(\bf x)&\\ \text{s.t.}\quad & g_i(\textbf x)\geq 0, & i= 1, \dots, m,\\ & h_j(\textbf x)=0, & j=1,\dots, l,\\ &\textbf{x}\in D.& \end{aligned} xmins.t.f(x)gi(x)≥0,hj(x)=0,x∈D.i=1,…,m,j=1,…,l,
其对偶问题为:
maxw,vinf{f(x)−∑wigi(x)−∑vjhj(x)}s.t.wi≥0,i=1,…,m.\begin{aligned} \max_{\textbf {w,v}}\quad & \inf\left\{f(\textbf x)-\sum w_ig_i(\textbf x)-\sum v_jh_j(\textbf x)\right\}\\ \text{s.t.}\quad & w_i\geq 0, \quad i= 1, \dots, m. \end{aligned} w,vmaxs.t.inf{f(x)−∑wigi(x)−∑vjhj(x)}wi≥0,i=1,…,m.
当原问题为凸规划时,其 KKT 条件的解就是该对偶问题的最优解,也是原问题的最优解,并且原问题与对偶问题的最优值相等。
非线性规划的对偶也广泛应用于机器学习的一些算法中(例如支持向量机)。
常见的线性规划的对偶模型,其实是上面拉格朗日对偶的特殊情况。
非线性规划的对偶问题相关推荐
- SVM(二)从拉格朗日对偶问题到SVM
2.1 拉格朗日对偶(Lagrange duality) 先抛开上面的二次规划问题,先来看看存在等式约束的极值问题求法,比如下面的最优化问题: 目标函数是f(w),下面是等式约束.通常解法是引入拉格朗 ...
- matlab中用于离散系统求解的命令,MATLAB求解规划问题(线性规划, 整数规划, 非线性规划)...
文章目录 基础知识 规划问题的数学模型的三个要素 解 线性规划Linear Programing 理论 示例 整数规划 理论 示例 非线性规划 理论 示例 生产实践中,经常会遇到很多资源分配的问题,如 ...
- 线性规划的对偶问题(The Dual of LP)
目录 1.对偶问题的经济学解释(Economic Interpretation of the Dual Problem) 2.获得线性规划的对偶(Finding the Dual of an LP) ...
- SVM支持向量机-拉格朗日乘子与对偶问题(1)
对于支持向量机,我们首先要关注的几个点就是间隔,超平面,支持向量,再深入的话就是对偶问题,拉格朗日对偶问题,凸优化,和 KKT条件,我们先从基本的间隔,超平面,支持向量说起. 1.SVM基础模型 给定 ...
- 如何通俗地讲解对偶问题?尤其是拉格朗日对偶lagrangian duality?
↑↑↑↑↑点击上方蓝色字关注我们! 『视学算法』转载 作者:李竞宜 覃含章 编者按 拉格朗日对偶理论对当今社会的发展起到了极大的推动作用.但是书本上对拉格朗日对偶理论的讲解往往比较空洞,本文收录了两位 ...
- SVM为什么采用间隔最大化?SVM为什么将原始问题转换为其对偶问题?
SVM为什么采用间隔最大化?SVM为什么将原始问题转换为其对偶问题? SVM为什么采用间隔最大化? SVM的基本思想就是求解能够正确划分训练数据集并且几何间隔最大的分离超平面,这里的间隔最大化又叫做硬 ...
- 机器学习+优化问题的种类、如何优化、凸优化、非凸优化、对偶问题、KKT条件
机器学习+优化问题的种类.如何优化.凸优化.非凸优化.对偶问题.KKT条件 目录
- 对偶问题(dual problem)
对偶问题(dual problem) 为什么叫dual problem? 凸优化,凹函数 对偶问题+原始问题 拉格朗日乘子,拉格朗日函数 从有约束问题到无约束问题 极小极大问题,极大极小问题 最优值的 ...
- 【CF671D】 Roads in Yusland(对偶问题,左偏树)
传送门 洛谷翻译 CodeForces Solution emmm,先引入一个对偶问题的概念 \(max(c^Tx|Ax \leq b)=min(b^Ty|A^Ty \ge c)\) 考虑这个式子的现 ...
- 对偶问题复习要点整理
选用教材参考<运筹学方法与模型> 复旦大学出版社 傅家良 第二版 原问题模型: 一.对偶问题的转化 实例: 即为从(P)向(D)的变换 在这里我们要弄清楚怎么进行变换,显然 (D)的目标函 ...
最新文章
- 机器学习的基础图表!
- Linux下安装和使用boost库
- 用自定义IHttpModule实现URL重写
- 某种密码(password.*)
- 函数不可访问_关于可重入函数
- 腾讯 深圳 25928-PHP开发工程师(深圳)
- 编程实现newton插值c++_数据体操:数据处理和IDW地理插值算法
- oracle静默安装访问数据库慢,Oracle数据库静默安装总结
- java中的ackerman_java8的函数式接口
- 《数学之美》马尔科夫链的扩展-贝叶斯网络
- gcc 编译python_4 个快速的 Python 编译器 for 2018
- iOS多线程之5.GCD的基本使用
- XStream 解析 XML 深入剖析
- 八皇后(韩顺平java)
- livereload(自动刷新)
- 怎么做淘宝客赚钱,淘客经验分享。
- 巨人综合音源优化版 – East West Quantum Leap Colossus Kontakt
- 【Windows逆向】Windows进程动态patch入门+pyqt5搭建GUI
- 微信小程序把阿里icon变为组件
- linux temp文件夹在哪_手机文件夹是英文不敢乱删?找出这5个文件夹,手机瞬间轻松6个G...
热门文章
- matlab lcl滤波器,LCL滤波器参数性能的比较
- 写口算用计算机作文600字,难忘的口算比赛作文600字
- Python 之心有猛虎,细嗅蔷薇
- python爬虫实验总结_Python爬虫总结
- FPGA 串口通信(补)——通用模块
- 塔城地区谷歌高清卫星地图下载
- 基频和倍频的概念_倍频技术
- Revit土建软件的功能,【顶部对齐】【墙齐梁板】【快速切换材质】等等
- STEINS;GATE ELITE(中文名《命运石之门:精英》)游戏通关流程
- win系统服务器做加速,Win 2003操作系统25招加速大法(转)