Karush-Kuhn-Tucker 最优化条件 (KKT 条件)
2009-09-20 22:32
375 查看
一般地,一个最优化数学模型能够表示成下列标准形式:
所谓 Karush-Kuhn-Tucker 最优化条件,就是指上式的最小点 x* 必须满足下面的条件:
KKT最优化条件是Karush[1939]以及Kuhn和Tucker[1951]先后独立发表出來的。这组最优化条件在Kuhn和Tucker 发表之后才逐渐受到重视,因此许多书只记载成「Kuhn-Tucker 最优化条件 (Kuhn-Tucker conditions)」。
KKT条件第一项是说最优点必须满足所有等式及不等式限制条件,也就是说最优点必须是一个可行解,这一点自然是毋庸置疑的。第二项表明在最优点 x*, ∇f 必須是 ∇hj 和 ∇gk 的线性組合,
和
都叫作拉格朗日乘子。所不同的是不等式限制条件有方向性,所以每一个 kµ都必须大於或等於零,而等式限制条件没有方向性,所
以 jλ没有符号的限制,其符号要视等式限制条件的写法而定
备注:该条件是SVM中需要到,处理不等式约束,把它变换成一组等式约束。
所谓 Karush-Kuhn-Tucker 最优化条件,就是指上式的最小点 x* 必须满足下面的条件:
KKT最优化条件是Karush[1939]以及Kuhn和Tucker[1951]先后独立发表出來的。这组最优化条件在Kuhn和Tucker 发表之后才逐渐受到重视,因此许多书只记载成「Kuhn-Tucker 最优化条件 (Kuhn-Tucker conditions)」。
KKT条件第一项是说最优点必须满足所有等式及不等式限制条件,也就是说最优点必须是一个可行解,这一点自然是毋庸置疑的。第二项表明在最优点 x*, ∇f 必須是 ∇hj 和 ∇gk 的线性組合,
和
都叫作拉格朗日乘子。所不同的是不等式限制条件有方向性,所以每一个 kµ都必须大於或等於零,而等式限制条件没有方向性,所
以 jλ没有符号的限制,其符号要视等式限制条件的写法而定
备注:该条件是SVM中需要到,处理不等式约束,把它变换成一组等式约束。
相关文章推荐
- Karush-Kuhn-Tucker 最优化条件 (KKT 条件)(转载)
- 关于Karush-Kuhn-Tucker(KKT)条件的几何分析
- 拉格朗日对偶和KKT条件(Karush-Kuhn-Tucker)
- Lagrange Multiplier and KKT(Karush-Kuhn-Tucker)
- SVM中的Karush-Kuhn-Tucker条件和对偶问题
- KKT(Karush-Kuhn-Tucher)条件
- SVM中的Karush-Kuhn-Tucker条件和对偶问题
- SVM中的Karush-Kuhn-Tucker条件和对偶问题
- KKT条件--约束问题最优化方法
- 拉格朗日乘子和KKT条件 的最优化问题
- 机器学习笔记_ 数值最优化_1:最优化条件
- [笔记] 最优化方法 - 最优性条件
- 机器学习之拉格朗日乘子法(Lagrange Multiplier) 和KKT条件
- 优化问题与KKT条件
- 对动态规划DP求解最优化问题的理解及应满足的条件
- 拉格朗日乘子法(Lagrange Multiplier) 和KKT条件
- 深入理解拉格朗日乘子法(Lagrange Multiplier) 和KKT条件
- 深入理解拉格朗日乘子法(Lagrange Multiplier) 和KKT条件
- 深入理解拉格朗日乘子法(Lagrange Multiplier) 和KKT条件
- 深入理解拉格朗日乘子法(Lagrange Multiplier) 和KKT条件