最优化理论与方法课件7subgradient

VIP免费
2025-01-13 0 0 1.37MB 16 页 5.9玖币
侵权投诉
4 无约束优化的方法:次梯度 LHY-SMS-BUAA
最优化理论与方法 I ( 最优化基础 )
可微凸函数的刻画
设那么在凸集上凸当且仅当
.
分析上:由一阶 Taylor 展式得到的的线性近似是函数的偏低估计 .
.
对于可微凸函数而言,图形任一点的切线 / 切平面是
函数上镜图的非竖直支撑超平面 .
4 无约束优化的方法:次梯度 LHY-SMS-BUAA
最优化理论与方法 I ( 最优化基础 )
扩展实值凸函数
定义 4.13.1 .
是的上镜图 (epigraph) ,记作 . 如果 是中的凸集,称是上
的凸函数 . 称 在上的投影是在上的有效域 (effective
domain) ,记作:
dom 𝑓=
{
𝒙:𝑟,(𝒙,𝒓)epi 𝑓
}
=
{
𝒙:𝒇
(
𝒙
)
<+
}
正常假设:凸函数满足 , .
正常假设表明凸函数的上镜图非空,且不含竖直线 .
为了方便讨论次梯度和次微分,引入扩展实值函数 .
凸分析文献称满足正常假设的凸函数是正常凸函数
(proper convex function).
4 无约束优化的方法:次梯度 LHY-SMS-BUAA
最优化理论与方法 I ( 最优化基础 )
凸函数的扩展实值表示
设在凸集上是凸的,则其扩展实值表示
~
𝑓
(
𝒙
)
=
{
𝑓
(
𝒙
)
,如果 𝒙𝑆
+, 否则
命题 函数是凸的 (convex) 当且仅当对每个和每个,
定义域是 dom
例子 定义 的指示函数
𝛿
𝑆
(
𝒙
)
=
{
0,如果 𝒙𝑆
+, 否则
事实:是凸函数当且仅当是凸集
4 无约束优化的方法:次梯度 LHY-SMS-BUAA
最优化理论与方法 I ( 最优化基础 )
次梯度
定义 4.13.2 称向量是凸函数在点的次梯度 (subgradient) ,如
.
在的次梯度的全体称作在处的次微分 (subdifferential) ,记作
(x). 如果,称在处次可微 (subdifferentiable).
仿射函数
的图形是凸集在点的竖直支撑超
平面 .
是处的次梯度,
是处的唯一次梯度
.
摘要:

4无约束优化的方法:次梯度LHY-SMS-BUAA最优化理论与方法I(最优化基础)可微凸函数的刻画设那么在凸集上凸当且仅当.分析上:由一阶Taylor展式得到的的线性近似是函数的偏低估计..对于可微凸函数而言,图形任一点的切线/切平面是函数上镜图的非竖直支撑超平面.4无约束优化的方法:次梯度LHY-SMS-BUAA最优化理论与方法I(最优化基础)扩展实值凸函数定义4.13.1设.称是的上镜图(epigraph),记作.如果是中的凸集,称是上的凸函数.称在上的投影是在上的有效域(effectivedomain),记作:dom={:∃,(,)∈epi}={:()...

展开>> 收起<<
最优化理论与方法课件7subgradient.pptx

共16页,预览4页

还剩页未读, 继续阅读

声明:本站为文档C2C交易模式,即用户上传的文档直接被用户下载,本站只是中间服务平台,本站所有文档下载所得的收益归上传人(含作者)所有。玖贝云文库仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对上载内容本身不做任何修改或编辑。若文档所含内容侵犯了您的版权或隐私,请立即通知玖贝云文库,我们立即给予删除!
分类:计算机 价格:5.9玖币 属性:16 页 大小:1.37MB 格式:PPTX 时间:2025-01-13

开通VIP享超值会员特权

  • 多端同步记录
  • 高速下载文档
  • 免费文档工具
  • 分享文档赚钱
  • 每日登录抽奖
  • 优质衍生服务
/ 16
客服
关注