《最优化方法》课程复习考试
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
《最优化方法》复习提要 第一章 最优化问题与数学预备知识
§1. 1 模型
无约束最优化问题 12min (),(,,
,)T n n f x x x x x R =∈.
约束最优化问题(},,2,1,0)(;,,2,1,0)(,|{l j x h m i x g R x x S j i n ===≥∈=∧
)
min ();...f x s t x S ⎧⎨
∈⎩ 即 m i n ();
..()0,1,2,,,
()0,1,2,
,.
i j f x s t g x i m h x j l ⎧⎪
≥=⎨⎪==
⎩
其中()f x 称为目标函数,12,,
,n x x x 称为决策变量,S 称为可行域,
()0(1,2,
,),()0(1,2,
,)i j g x i m h x j l ≥===称为约束条件.
§1. 2 多元函数的梯度、Hesse 矩阵及Taylor 公式
定义 设:,n n f R R x R →∈.如果n ∃维向量p ,n x R ∀∆∈,有
()()()T f x x f x p x o x +∆-=∆+∆.
则称()f x 在点x 处可微,并称()T df x p x =∆为()f x 在点x 处的微分.
如果()f x 在点x 处对于12(,,
,)T n x x x x =的各分量的偏导数
()
,1,2,,i
f x i n x ∂=∂
都存在,则称()f x 在点x 处一阶可导,并称向量
12
()()
()()(
,,,
)T
n
f x f x f x f x x x x ∂∂∂∇=∂∂∂ 为()f x 在点x 处一阶导数或梯度.
定理1 设:,n n f R R x R →∈.如果()f x 在点x 处可微,则()f x 在点x 处梯度
()f x ∇ 存在,并且有()()T df x f x x =∇∆.
定义 设:,n n f R R x R →∈.d 是给定的n 维非零向量,d
e d
=
.如果 0
()()
lim
()f x e f x R λλλλ
→+-∈
存在,则称此极限为()f x 在点x 沿方向d 的方向导数,记作
()
f x d
∂∂. 定理2 设:,n n f R R x R →∈.如果()f x 在点x 处可微,则()f x 在点x 处沿任何非零方向d 的方向导数存在,且
()()T f x f x e d ∂=∇∂,其中d
e d
=. 定义 设()f x 是n R 上的连续函数,n x R ∈.d 是n 维非零向量.如果0δ∃>,使得(0,)λδ∀∈,有()f x d λ+<(>)()f x .则称d 为()f x 在点x 处的下降(上升)方向.
定理3 设:,n n f R R x R →∈,且()f x 在点x 处可微,如果∃非零向量n d R ∈,使得()T f x d ∇<(>)0,则d 是()f x 在点x 处的下降(上升)方向. 定义 设:,n n f R R x R →∈.如果()f x 在点x 处对于自变量12(,,
,)T n x x x x =的
各分量的二阶偏导数2()
(,1,2,
,)i j f x i j n x x ∂=∂∂都存在,
则称函数()f x 在点x 处二阶可导,并称矩阵
222211212222
221
22222
21
2
()
()()()()()()()()()n n n n n f x f x f x x x x x x f x f x f x f x x x x x x f x f x f x x x x x x ⎛⎫
∂∂∂ ⎪
∂∂∂∂∂ ⎪ ⎪
∂∂∂ ⎪
∇=∂∂∂∂∂ ⎪ ⎪
⎪ ⎪
∂∂∂
⎪∂∂∂∂∂⎝⎭
为()f x 在点x 处的二阶导数矩阵或Hesse 矩阵. 定义 设:,n m n h R R x R →∈,记12()((),(),
,())T m h x h x h x h x =,如果 ()(1,2,
,)i h x i m =在点x 处对于自变量12(,,
,)T n x x x x =的各分量的偏导数
()
(1,2,,;1,2,,)i j
h x i m j n x ∂==∂
都存在,则称向量函数()h x 在点x 处是一阶可导的,并且称矩阵
111122221
212
()()
()()()()()()()()n n m n m m m n h x h x h x x
x x h x h x h x x x x h x h x h x h x x
x x ⨯∂∂∂⎛⎫ ⎪
∂∂∂
⎪
⎪∂∂∂
⎪∂∂∂∇= ⎪ ⎪
⎪
∂∂∂ ⎪ ⎪∂∂∂⎝
⎭
为()h x 在点x 处的一阶导数矩阵或Jacobi 矩阵,简记为()h x ∇.
例2 设,,n n a R x R b R ∈∈∈,求()T f x a x b =+在任意点x 处的梯度和Hesse 矩阵.
解 设1212(,,
,),(,,
,)T
T
n n a a a a x x x x ==,则1
()n
k k k f x a x b ==+∑,
因()
(1,2,,)k k
f x a k n x ∂==∂,故得()f x a ∇=.
又因2()0(,1,2,
,)i j
f x i j n x x ∂==∂∂,则2()f x O ∇=.
例3 设n n Q R ⨯∈是对称矩阵,,n b R c R ∈∈,称1()2
T
T f x x Qx b x c =++为二次函数,求()f x 在任意点x 处的梯度和Hesse 矩阵.
解 设1212(),(,,
,),(,,,)T T ij n n n n Q q x x x x b b b b ⨯===,则
12111
1(,,
,)2n n
n
n ij i j k k i j k f x x x q x x b x c ====++∑∑∑,
从而111111111()()()n
n j j j j j j n n n nj j n nj j j j n f x q x b q x x b
f x Qx b f x b q x b q x x ====⎛⎫⎛⎫∂⎛⎫+ ⎪ ⎪ ⎪∂⎛⎫ ⎪ ⎪
⎪ ⎪ ⎪ ⎪ ⎪∇===+=+ ⎪ ⎪ ⎪ ⎪ ⎪
∂⎝⎭ ⎪ ⎪ ⎪+ ⎪ ⎪ ⎪
∂⎝⎭⎝⎭⎝⎭
∑∑∑∑.