5.5 最优性条件

互补松弛性
KKT最优性条件

互补松弛性

假设问题具有强对偶性， $x^*$ 为其原问题的最优解， $(\lambda^*,v^*)$ 为其对偶问题的最优解，可知：

$f_0(x^*)=g(\lambda ^*,v^*)=\underset{x }{inf}(f_0(x)+\sum _{i=1}^m \lambda_i^* f_i(x)+\sum _{i=1}^p v^*_ih_i(x))\\$

根据对偶函数的定义，可知 $g(\lambda ^*,v^*)$ 小于等于任意的 $(f_0(x)+\sum _{i=1}^m \lambda_i^* f_i(x)+\sum _{i=1}^p v^*_ih_i(x))\\$

所以取 $x^*$ 时，也成立，故

$f_0(x^*)=g(\lambda ^*,v^*)=\underset{x }{inf}(f_0(x)+\sum _{i=1}^m \lambda_i^* f_i(x)+\sum _{i=1}^p v^*_ih_i(x))\\ \leq (f_0(x^*)+\sum _{i=1}^m \lambda_i^* f_i(x^*)+\sum _{i=1}^p v^*_ih_i(x^*))\\$

$L(x,\lambda ^*,v^*)=f_0(x)+\sum _{i=1}^m \lambda_i^* f_i(x)+\sum _{i=1}^p v^*_ih_i(x)$

再根据 $\forall x \in D,\lambda ^* \geq0,f_i(x)\leq 0,h_i(x)=0$

可知

$f_0(x^*)=g(\lambda ^*,v^*)=\underset{x }{inf}(f_0(x)+\sum _{i=1}^m \lambda_i^* f_i(x)+\sum _{i=1}^p v^*_ih_i(x))\\ \leq (f_0(x^*)+\sum _{i=1}^m \lambda_i^* f_i(x^*)+\sum _{i=1}^p v^*_ih_i(x^*))\\ \leq f_0(x^*)$

所以上述不等式的等号成立。

推出两点：

（1） $x^*$ 最小化 $L(x,\lambda ^*,v^*)$

（2）上式等号成立，即：

$f_0(x^*)=g(\lambda ^*,v^*)=\underset{x }{inf}(f_0(x)+\sum _{i=1}^m \lambda_i^* f_i(x)+\sum _{i=1}^p v^*_ih_i(x))\\ = (f_0(x^*)+\sum _{i=1}^m \lambda_i^* f_i(x^*)+\sum _{i=1}^p v^*_ih_i(x^*))\\ = f_0(x^*)$

且 $h_i(x^*)=0$ （等式约束），所以可推出

$\sum _{i=1}^n\lambda_i^*f_i(x^*)=0$ ，而 $\lambda _i^*\geq 0,f_i(x^*)\leq 0$

所以 $\lambda_i^*f_i(x^*)=0,i=1,2\cdots m$ ，成为互补松弛性。

也可写成：

$\lambda^*_i> 0\Rightarrow f_i(x^*)=0\\ f_i(x^*)< 0\Rightarrow \lambda _i^*=0$

KKT最优性条件

非凸问题的KKT条件

和前面一样，假设问题的约束函数和目标函数可微， $x^*$ 为其原问题的最优解， $(\lambda^*,v^*)$ 为其对偶问题的最优解，KKT条件：

$f_i(x^*)\leq 0,i=1,\cdots m \\ h_i(x^*)=0,i=1,\cdots p \\ \lambda _i^*\geq 0,i=1,\cdots m\\ \lambda_i^*f_i(x^*)=0,i=1,\cdots m\\ \bigtriangledown_x L(x^*,\lambda^*,v^*)=\bigtriangledown _xf_0(x^*)+\sum_{i=1}^m\lambda^*_i\bigtriangledown _xf_i(x^*)+\sum_{i=1}^pv^*_i \bigtriangledown _xh_i(x^*)=0$

称上式为Karush-Kuhn-Tucker条件，简称KKT条件。

对于目标函数和约束函数均可微的任意优化问题，如果强对偶性成立，那么任意一对原问题最优解和对偶问题最优解都必须满足KKT条件。

凸问题的KKT条件

当原问题是凸问题时，满足KKT条件的点也是原、对偶问题的最优解。

证明：假设 $x^*,\lambda^*,v^*$ 满足KKT条件，且原问题是凸问题。

$f_i(x^*)\leq 0,i=1,\cdots m\, \, (1) \\ h_i(x^*)=0,i=1,\cdots p \,\,(2)\\ \lambda _i^*\geq 0,i=1,\cdots m \, \,(3)\\ \lambda_i^*f_i(x^*)=0,i=1,\cdots m \,\, (4)\\ \bigtriangledown_x L(x^*,\lambda^*,v^*)=\bigtriangledown _xf_0(x^*)+\sum_{i=1}^m\lambda^*_i\bigtriangledown _xf_i(x^*)+\sum_{i=1}^pv^*_i \bigtriangledown _xh_i(x^*)=0 \, \, (5)$

前两个条件表明 $x^*$ 是可行解。而因为条件（3）可知

$L(x,\lambda^*,v^*)=f_0(x)+\sum _{i=1}^m\lambda_i^*f_i(x)+\sum _{i=1}^pv_i^*h_i(x)$ 是关于x的凸函数，根据条件（5）可知L在 $x^*$ 处倒数为0，故 $x^*$ 极小化L（根据互补松弛性也可知 $x^*$ 极小化L。）

故：

$g(\lambda^*,v^*)=L(x^*,\lambda^*,v^*)=f_0(x^*)+\sum _{i=1}^m \lambda_i^* f_i(x^*)+\sum _{i=1}^p v^*_ih_i(x^*) = f_0(x^*)$

所以对偶间隙为0， $x^*,\lambda^*,v^*$ 分别是原问题和对偶问题的最优解。

例子

$\begin{matrix} minimize \,\, -\sum_{i=1}^nlog(x_i+a_i)\\ subject \, \, to \, \, x\succeq 0,\boldsymbol{1}^Tx=1 \end{matrix}$

KKT条件：

$-x^*\leq 0,i=1,\cdots m\, \, (1) \\ \boldsymbol{1}^Tx^*-1=0,i=1,\cdots p \,\,(2)\\ \lambda ^*\geq 0 \, \,(3)\\ \lambda_i^*x_i^*=0 \,\, (4)\\ -\frac{1}{x_i+a_i}-\lambda_i^*+v^*=0 \, \, (5)$

$-x^*\leq 0,i=1,\cdots m\, \, (1) \\ \boldsymbol{1}^Tx^*-1=0,i=1,\cdots p \,\,(2)\\ \lambda ^*\geq 0 \, \,(3)\\ \lambda_i^*x_i^*=0 \,\, (4)\\ \frac{1}{x_i+a_i}+\lambda_i^*=v^* \, \, (5)$

根据（5）可知 $v^*\geq \frac{1}{x_i+a_i}$ ，

再看（4），考虑两种情况1） $\lambda^*=0$ ，此时 $x_i^*=1/v^*-a_i$ ， $v^*=1/(x_i+a_i)\leq 1/a_i$ 。2） $x^*_i=0$ ，此时 $v_i^*=\lambda_i^*+1/a_i\geq 1/a_i$ ，所以 $x_i^*$ 有两种情况，

$x_i^*=\left\{\begin{matrix} 0 & v\geq 1/a_i\\ 1/v-a_i & v<1/a_i \end{matrix}\right.$

整理得 $x_i=max(0,1/v-a_i)$ ，再根据条件（2）得到

$\sum_{i=1}^nx_i=\sum_{i=1}^nmax(0,1/v-a_i)=1$

来源：https://blog.csdn.net/wangchy29/article/details/86924109

凸优化第五章对偶 5.5 最优性条件相关推荐

凸优化第五章对偶 5.1 Lagrange对偶函数
5.1 Lagrange对偶函数 Lagrange Lagrange对偶函数最优值的下界例子 Lagrange对偶函数和共轭函数 Lagrange 标准形式的优化问题: 其中,问题的定义域,注意这 ...
凸优化第五章对偶 5.1Lagrange对偶函数
5.1Lagrange对偶函数 Lagrange Lagrange对偶函数最优值的下界例子 Lagrange对偶函数和共轭函数 Lagrange 标准形式的优化问题: 其中,问题的定义域,注意这里 ...
《C++应用程序性能优化::第五章动态内存管理》学习和理解
<C++应用程序性能优化::第五章动态内存管理>学习和理解说明:<C++应用程序性能优化> 作者:冯宏华等 2007年版. 2010.8.29 cs_wuyg@126.com ...
凸优化 matlab-cvx-第十一章ADVANCED TOPICS
注意:在本节中,我们描述了CVX的一些更高级的功能.我们建议你先跳过这一节,直到你对上面描述的基本能力感到满意为止. 11.1消除二次型我们强烈建议的一个特殊的改写是消除二次型- -即像sum _ ...
凸优化第四章凸优化问题 4.2凸优化
4.2凸优化标准形式的凸优化问题局部最优解与全局最优解可微函数的最优性准则等价的凸问题拟凸优化标准形式的凸优化问题是凸函数,等式约束是仿射函数.则此优化问题是凸优化问题. 也可以写成重 ...
精通安卓性能优化-第五章（三）
Concurrency 在java.util.concurrent.atomic和java.util.concurrent.locks包中定义了更多的类.java.util.concurrent.at ...
凸优化第三章凸函数 3.1基本性质和例子
3.1基本性质和例子定义扩展值延伸一阶条件二阶条件例子下水平集上境图 Jensen不等式及其扩展不等式定义函数f是凸函数,当f的定义域S是凸集,且严格凸函数: 从几何上来看,如下 ...
凸优化第三章凸函数 3.5 对数-凹函数和对数-凸函数
3.5 对数-凹函数和对数-凸函数定义相关性质定义称函数对数凹,如果是凹函数. 称函数对数凸,如果是凸函数. 函数f是对数凸的当且仅当1/f是对数凹的. 当时,,相当于对log(f)进行扩展值 ...
凸优化第三章凸函数 3.3 共轭函数
3.3 共轭函数定义基本性质定义设函数,定义函数为: 此函数称为f(x)的共轭函数.从3.2节逐点上确界的内容也可以看出,此函数也是的逐点上确界函数,而是关于y的仿射函数,可以将其看成是凸函数 ...
凸优化第三章凸函数 3.3共轭函数
3.3共轭函数定义基本性质定义设函数,定义函数为: 此函数称为f(x)的共轭函数.从3.2节逐点上确界的内容也可以看出,此函数也是的逐点上确界函数,而是关于y的仿射函数,可以将其看成是凸函数, ...

凸优化第五章对偶 5.5 最优性条件