运筹学历史及非线性规划应用

合集下载
  1. 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. 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. 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)。

拉格朗日乘子法与KKT条件: 优化问题:
(i) 无约束优化问题,可以写为:
min f(x)
(ii) 有等式约束的优化问题,可以写为:
min f (x) hi(x) 0;i 1,2,...,n
(iii) 有不等式约束的优化问题,可以写为:
min f(x) g i(x) 0,i 1,2,...,n hj(x) 0,j 1,2,...,m
Harold W. Kuhn
Albert W. Tucker
第二次世界大战前后,由于军事上的需 要和科学技术和生产的迅速发展,许多实 际的最优化问题已经无法用古典方法来解 决,这就促进了近代最优化方法的产生。 近代最优化方法的形成和发展过程中最重 要的事件有: 以苏联康托罗维奇和美国G.B.丹齐克为 代表的线性规划; 以美国R.贝尔曼为代表的动态规划; 以苏联庞特里亚金为代表的极大值原理 等。 以美国塔克尔和库恩为代表的非线性规 划;(KKT 条件)
康托罗维奇 Harold W. Kuhn 庞特里亚金
Albert W. Tucker
第二次世界大战前后,由于军事上的需 要和科学技术和生产的迅速发展,许多实 际的最优化问题已经无法用古典方法来解 决,这就促进了近代最优化方法的产生。 近代最优化方法的形成和发展过程中最重 要的事件有: 以苏联康托罗维奇和美国G.B.丹齐克为 代表的线性规划; 以美国R.贝尔曼为代表的动态规划; 以苏联庞特里亚金为代表的极大值原理 等。 以美国塔克尔和库恩为代表的非线性规 划;(KKT 条件)
非线性规划的发展及其应用
非线性规划: 非线性规划是具有非线性约束条件或目标函数 的数学规划,是运筹学的一个重要分支。
非线性规划是20世纪50年代才开始形成的一 门新兴学科。
非线性规划的历史:
公元前 500年古希腊 建筑学家在讨论建筑 美学中就已发现了长 方形长与宽的最佳比 例为0.618,称为黄金 分割比。其倒数至今 在优选法中仍得到广 泛应用。
在微积分出现以前,已有许多 学者开始研究用数学方法解决 最优化问题。 例如阿基米德证明:给定周长 ,圆所包围的面积为最大。这 就是欧洲古代很多城堡都建成 圆形的原因。
但是 最优化方法真正形成 为科学方法则在17世纪以后 。17世纪,I.牛顿和G.W.莱布 尼茨在他们所创建的微积分 中,提出求解具有多个自变 量的实值函数的最大值和最 小值的方法。以后又进一步 讨论具有未知函数的函数极 值,从而形成变分法。这一 时期的最优化方法可以称为 古典最优化方法。
* T ( 1*,2* ,...,m *)和 * =( 1*, 2*,..., l *)使得下述条件成立:
求取这三个等式之后就能得到候选最优值。其中第 二个式子非常有趣,因为g(x)=0,如果要满足这个 等式,必须γ 或者g(x)=0. 这是SVM的很多重要 性质的来源,如支持向量的概念。
拉格朗日乘子法与KKT条件:
X *是非线性规划的极小点,而且X *点的所有作用约束的梯度
hi(X * )(i 1,2,..., m )和gj(X * )(j J)线性无关,则存在向量
m l * * * * * f (X ) h (X ) g (X ) 0 i i j j i 1 j 1 min f(x) * * 0,j 1,2,...,l j g j(X ) * g i(x) 0,i 1,2,...,l j 0,j 1,2,...,l hj(x) 0,j 1,2,...,m
最优分类面就是要求分类线不但能将两类正确分开(训练错误率为 0),且使分类间隔最大。SVM考虑寻找一个满足分类要求的超平面,并 且使训练集中的点距离分类面尽可能的远,也就是寻找一个分类面使 它两侧的空白区域(margin)最大。
THANBiblioteka Baidu YOU!
* j
KKT条件的应用:
支持向量机,因其英文名为support vector machine,故一般简称SVM, 通俗来讲,它是一种二类分类模型,其基本 模型定义为特征空间上的间隔最大的线性分类 器,其学习策略便是间隔最大化,最终可转化 为一个凸二次规划问题的求解。
例子
如下图所示,现在有一个二维平面,平面上有两种不同的数 据,分别用圈和叉表示。由于这些数据是线性可分的,所以 可以用一条直线将这两类数据分开。超平面一边的数据点所 对应的y全是 -1 ,另一边所对应的y全是1。
相关文档
最新文档