本文將以梯度下降法的方式來解釋Lagrange和KKT。
關鍵詞:梯度下降法、等高線
基礎定義
Lagrange
求解等式約束下的最優化問題
Lagrange函數: (1)
方程組的解是原問題的可能的最優解
KKT
求解不等式約束下的最優化問題
Lagrange函數: (2)
方程組,即KKT條件,的解是原問題的可能的最優解
解釋
梯度的定義
,
等式約束
因爲在最小化f(x)的同時必須要滿足等式約束h(x)=0,即x的更新要滿足,即必須要正交與h的梯度,而要想f(x)的取得最小則更新必須無法再減小f(x)的值,即要滿足,即必須要正交與f的梯度,所以最小點處有、平行,即,當然還要滿足約束h(x)=0。
不等式約束
不等式約束的情況比等式約束複雜些,分以下兩種情況討論:
最小點處於約束空間之內
此時,不等約束相當於沒有約束,此時最小化f(x),則有;當然,由於最小點可能有多個,仍需不等約束進行過濾,即最小點需滿足
最小點不在約束空間之內
由於約束g(x)是個有上界的函數,約束下的最小點必然是在約束的上界處即g(x)=0處(由於此時f與g的梯度方向相反,所以有要求),即不等約束退化爲等式約束,同等式約束的分析,即此時有
綜合
綜合上述兩種情況,即有,即KKT條件。
KKT的證明
參考資料
1. https://zhuanlan.zhihu.com/p/99945521
2. https://www.zhihu.com/question/23311674
3. https://www.cnblogs.com/sddai/p/5728195.html