最优性条件

非线性规划的最优解所满足的必要条件和充分条件（仅包含定理）

注意：文中很多地方的变量其实是矢量，比如方向 \(d\) 和梯度，为了方便写都没有写粗体。

一、无约束问题的最优性条件

• 定理 7.1.1 （其它定理证明需要的基础定理）

  设函数 \(f(x)\) 在点 \(\bar{x}\) 处可微，如果存在方向 \({d}\) ，使得 \(\nabla f(\bar{{x}})^{\mathrm{T}} {d}<0\) ，则存在 \(\delta>0\) ，使得对每个 \(\lambda\in(0,\delta)\)，有 \(f(\bar{x}+\lambda d)<f(\bar{x})\).

• 定理 7.1.2 （局部极小点的一阶必要条件）

  设函数 \(f(x)\) 在点 \(\bar{x}\) 处二次可微，若点 \(\bar{x}\) 是局部极小点，则梯度 \(\nabla f(\bar{x})={0}\).

• 定理 7.1.3 （局部极小点的二阶必要条件）

  设函数 \(f(x)\) 在点 \(\bar{x}\) 处二次可微，若点 \(\bar{x}\) 是局部极小点，则梯度 \(\nabla f(\bar{x})=\boldsymbol{0}\)，且 Hesse 矩阵 \(\nabla^{2} f(\bar{x})\) 半正定.

• 定理 7.1.4 局部极小点的二阶充分条件

  设函数 \(f(x)\) 在点 \(\bar{x}\) 处二次可微，若梯度 \(\nabla f(\bar{x})={0}\)，且 Hesse 矩阵 \(\nabla^{2} f(\bar{x})\) 正定，则 \(\bar{x}\) 是局部极小点.

• 定理 7.1.5 （函数凸性假设下，全局极小点的充要条件）

  设函数 \(f(x)\) 是定义在 \(\mathbb{R}^n\) 上的可微凸函数，\(\bar{x}\in\mathbb{R^n}\) ，则 \(\bar{x}\) 是全局极小点的充分必要条件是梯度 \(\nabla f(\bar{x})={0}\).

二、含约束问题的最优性条件

2.1 含约束的极值问题表示

有约束的极值问题

\[\begin{array}{ll} \min & f(\boldsymbol{x}) \quad {x} \in \mathbb{R}^{n} \\ \text { s.t. } & g_{i}({x}) \geqslant 0, \quad i=1, \cdots, m, \\ & h_{j}({x})=0, \quad j=1, \cdots, l, \end{array} \]

其中，\(g_{i}({x}) \geqslant 0\) 为不等式约束，\(h_{j}({x})=0\) 为等式约束，集合

\[S=\left\{{x} \mid g_{i}({x}) \geqslant 0, i=1, \cdots, m ; h_{j}({x})=0, j=1, \cdots, l\right\} \]

称为可行域。

2.2 可行方向与下降方向

• 下降方向

  设函数 \(f(x)\) 是定义在 \(\mathbb{R}^n\) 上的实函数，\(\bar{x}\in\mathbb{R^n}\) ，\(d\) 是非零向量，若存在数 \(\delta>0\) ，使得对每个 \(\lambda\in(0,\delta)\)​，都有

  \[f(\bar{x}+\lambda d)<f(\bar{x}) \]

  则称 \(d\) 是函数 \(f(x)\) 在 \(\bar{x}\) 处的下降方向。

  如果 \(f(x)\) 是可微函数，且 \(\nabla f(\bar{{x}})^{\mathrm{T}} {d}<0\) ，则根据定理 7.1.1，\(d\) 是函数 \(f(x)\) 在 \(\bar{x}\) 处的下降方向，记作

  \[F_{0}=\left\{{d} \mid {\nabla} f(\overline{{x}})^{\mathrm{T}} {d}<0\right\} \]

• 可行方向

  设集合 \(S \subset \mathbb{R}^{n},\bar{x}\in \mathrm{cl}\;S\)，\(d\) 是非零向量，若存在数 \(\delta>0\) ，使得对每个 \(\lambda\in(0,\delta)\)，都有

  \[\bar{x}+\lambda d \in S \]

  则称 \(d\) 是集合 \(S\) 在 \(\bar{x}\) 处的可行方向。其中 "cl" 表示闭包。

  集合 \(S\) 在在 \(\bar{x}\) 处的可行方向组成的集合

  \[D=\{{d} \mid {d} \neq \mathbf{0}, \overline{{x}} \in \mathrm{cl}\; S, \exists \delta>0 \text {, 使得 } \forall \lambda \in(0, \delta) \text {, 有 } \overline{{x}}+\lambda {d} \in S\} \]

  称为在 \(\bar{x}\) 处的可行方向锥。

• 定理 7.2.1

  设 \(S\) 是 \(\mathbb{R}^{n}\) 中的非空集合，\(\bar{x}\in S\)， \(f(x)\) 在点 \(\bar{x}\) 处可微，若 \(\bar{x}\) 是局部最优解，则 \(F_{0} \cap D=\varnothing\). 即若 \(\bar{x}\) 是局部最优解，则 \(\bar{x}\) 处的可行方向一定不是下降方向。

2.3 不等式约束问题

非线性规划问题

\[\begin{array}{ll} \min & f({x}) \\ \text { s. t. } & g_{i}({x}) \geqslant 0, \quad i=1, \cdots, m . \end{array} \]

可行域为

\[S=\left\{{x} \mid g_{i}({x}) \geqslant 0, i=1, \cdots, m\right\} \]

其约束条件在点 \(\bar{x}\in S\) 有两种情形：

• 在点 \(\bar{x}\) 处起作用约束（下标集用 \(I\) 表示）

  \[g_{i}(\bar{x})=0, \quad i \in I \]

• 在点 \(\bar{x}\) 处不起作用约束

  \[g_{i}(\bar{x})>0, \quad i \notin I . \]

  • 用 \(I\) 表示起作用约束下标集

    \[I=\left\{i \mid g_{i}(\bar{{x}})=0\right\} \]

  • 用 \(G_0\) 替代定理 7.2.1 中的可行方向锥 \(D\)

    \[G_{0}=\left\{{d} \mid \nabla{g_{i}}(\bar{{x}})^{\mathrm{T}} {d}>0, i \in I\right\} \]

• 定理 7.2.2（由7.2.1变化而来）—— 最优性的几何表示

  设 \(\bar{x}\in S\)， \(f(x)\) 在点 \(\bar{x}\) 处可微，\(g_i(x)(i\notin I)\) 在 \(\bar{x}\) 连续，若 \(\bar{x}\) 是局部最优解，则

  \[F_{0} \cap G_0=\varnothing \]

• 定理 7.2.3 （Fritz John条件）—— 最优性的代数表示

  设 \(\bar{x}\in S\)，\(I=\{i|g_i(\bar{x})=0\}\)， \(f,g_i\in I\) 在点 \(\bar{x}\) 处可微，\(g_i(x)(i\notin I)\) 在 \(\bar{x}\) 连续，若 \(\bar{x}\) 是局部最优解，则存在不全为0的非负数 \(w_0,w_i(i\in I)\) ，使得

  \[w_{0} \nabla f(\bar{x})-\sum_{i \in I} w_{i} \nabla g_{i}(\bar{x})=0 \]

  证明需要用到 Gordan 定理，即 如果一组基的非负组合是一个凸锥，则等价为这组基的正组合表示不了原点，除非系数都是0（两个条件只有一个成立）

• 定理 7.2.4 （Kuhn-Tucker 条件）—— K-T条件，在Fritz John条件基础上增加了起约束作用的梯度线性无关的约束规格（对约束条件的限制），以避免出现 \(w_0=0\) 的情形。

  设 \(\bar{x}\in S\)​，\(I=\{i|g_i(\bar{x})=0\}\)​， \(f,g_i\in I\)​ 在点 \(\bar{x}\)​ 处可微，\(g_i(x)(i\notin I)\)​ 在 \(\bar{x}\)​ 连续，\(\left\{\nabla g_{i}(\bar{x}) \mid i \in I\right\}\)​ 线性无关， 若 \(\bar{x}\)​ 是局部最优解，则存在非负数 \(w_i(i\in I)\)​ ，使得

  \[\nabla f(\bar{{x}})-\sum_{i \in I} w_{i} \nabla g_{i}(\bar{{x}})=\mathbf{0} \]

  若 \(g_i(x)(i\notin I)\) 在点 \(\bar{x}\) 处可微，K-T 条件可等价表示为

  \[\begin{aligned} &\nabla f(\bar{x})-\sum_{i=1}^{m} w_{i} \nabla g_{i}(\bar{{x}})=\mathbf{0}, \\ &w_{i} g_{i}(\bar{x})=0, \quad i=1, \cdots, m, \\ &w_{i} \geqslant 0, \quad i=1, \cdots, m . \end{aligned} \]

  其中，\(w_{i} g_{i}(\bar{x})=0\) 称为互补松弛条件。

• 定理 7.2.5 凸优化问题最优解的一阶充分条件

  设问题中 \(f\) 是凸函数，\(g_i(i=1,2,\cdots,m)\) 是凹函数（注意不等式约束 \(g_i\) 的符号（若是 \(g_i\le0\) ，则应该是凸函数），\(S\) 是可行域，\(\bar{x}\in S\)，\(I=\{i|g_i(\bar{x})=0\}\)， \(f,g_i\in I\) 在点 \(\bar{x}\) 处可微，\(g_i(x)(i\notin I)\) 在 \(\bar{x}\) 连续，K-T 条件成立，则 \(\bar{x}\) 为全局最优解。

2.4 一般约束问题

一般约束问题（含不等式和等式约束）

\[\begin{array}{ll} \min & f({x}) \\ \text { s. t. } & g_{i}({x}) \geqslant 0, \quad i=1, \cdots, m,\\ & h_{j}({x}) \geqslant 0, \quad j=1, \cdots, l. \end{array} \]

• 正则点

  设 \(\bar{x}\) 为可行点，不等式约束中在 \(\bar{x}\) 起作用约束下标集记作 \(I\) ，如果向量组 \(\left\{\nabla g_{i}(\bar{x}), \nabla h_{j}(\bar{x}) \mid i \in I, j=1,2, \cdots, l\right\}\) 线性无关，就称 \(\bar{x}\) 为约束 \(g(x)\ge 0\) 和 \(h(x)=0\) 的正则点。

• 可行曲线与切平面（为描述等式约束的可行移动引入）

  • 定义 7.2.4 点集 \(\left\{x=x(t) \mid t_{0} \leqslant t \leqslant t_{1}\right\}\) 称为超曲面 \(S=\{x|h(x)=0\}\) 上的一条曲线， 若对所有的 \(t\in[t_0,t_1]\) 均有\(h(x)=0\) ，则如果导数 \(x'(t)=\frac{\mathrm dx(t)}{\mathrm dt}\) 存在，则称曲线是可微的，该一阶导数是曲线在点 \(x(t)\) 处的切向量，曲面 \(S\) 在点 \(x\) 处所有可微切向量组成的集合，称为曲面 \(S\) 在点 \(x\) 的切平面，记作 \(T(x)\)。

• 等式约束的几何表示

  设 \(\bar{x}\) 为曲面 \(S=\{x|h(x)=0\}\) 上一个正则点，则在点 \(\bar{x}\) 切平面 \(T(\bar{x})\) 等于子空间 \(H=\left\{d \mid \nabla h(\bar{x})^{\top} d=0\right\}\).

• 定理 7.2.7 一般约束问题最优解的一阶必要条件 —— 几何表示

  设 \(\bar{x}\) 为可行点，\(I=\{i|g_i(\bar{x})=0\}\)， \(f,g_i\in I\) 在点 \(\bar{x}\) 处可微，\(g_i(x)(i\notin I)\) 在 \(\bar{x}\) 连续，\(h_j(j=1,2,\cdots,l)\) 在点 \(\bar{x}\) 连续可微，\(\nabla h_j(\bar{x})(j=1,2,\cdots,l)\) 线性无关， 若 \(\bar{x}\) 是局部最优解，则在 \(\bar{x}\) 处，有

  \[F_{0} \cap G_{0} \cap H_{0}=\varnothing \]

  其中，\(F_{0},G_{0},H_{0}\) 的定义为

  \[\begin{aligned} &F_{0}=\left\{{d} \mid \nabla f(\bar{x})^{\mathrm{T}} d<0\right\}, \\ &G_{0}=\left\{{d} \mid \nabla g_{i}(\bar{x})^{\mathrm{T}} {d}>0, i \in I\right\} \\ &H_{0}=\left\{{d} \mid \nabla h_{j}(\bar{x})^{\mathrm{T}} d=0, j=1,2, \cdots, l\right\}. \end{aligned} \]

• 定理 7.2.8 （Fritz John条件） —— 代数表示

  设 \(\bar{x}\) 为可行点，\(I=\{i|g_i(\bar{x})=0\}\)， \(f,g_i\in I\) 在点 \(\bar{x}\) 处可微，\(g_i(x)(i\notin I)\) 在 \(\bar{x}\) 连续，\(h_j(j=1,2,\cdots,l)\) 在点 \(\bar{x}\) 连续可微，若 \(\bar{x}\) 是局部最优解，则存在不全为零的数 \(w_0,w_i(j\in I)\) 和 \(v_j(j=1,2,\cdots,l)\) ，使得

  \[w_{0} \nabla f(\bar{x})-\sum_{i \in I} w_{i} \nabla g_{i}(\bar{x})-\sum_{j=1}^{i} v_{j} \nabla h_{j}(\bar{x})=\mathbf{0}, \quad w_{0}, w_{i} \geqslant 0, \quad i \in I . \]

• 定理 7.2.9 （Kuhn-Tucker 条件）—— K-T条件，在Fritz John条件基础上增加了起约束作用的梯度线性无关的约束规格（对约束条件的限制），以避免出现 \(w_0=0\) 的情形。

  设 \(\bar{x}\) 为可行点，\(I=\{i|g_i(\bar{x})=0\}\)， \(f,g_i\in I\) 在点 \(\bar{x}\) 处可微，\(g_i(x)(i\notin I)\) 在 \(\bar{x}\) 连续，\(h_j(j=1,2,\cdots,l)\) 在点 \(\bar{x}\) 连续可微，向量集

  \[\left\{\nabla g_{i}(\bar{x}), \nabla h_{j}(\bar{x}) \mid i \in I, j=1, \cdots, l\right\} \]

  线性无关，若 \(\bar{x}\)​ 是局部最优解，则存在数 \(w_i(j\in I)\)​ 和 \(v_j(j=1,2,\cdots,l)\)​ ，使得

  \[\nabla f(\bar{x})-\sum_{i \in I} w_{i} \nabla g_{i}(\bar{x})-\sum_{j=1}^{i} v_{j} \nabla h_{j}(\bar{x})=\mathbf{0}, \quad w_{i} \geqslant 0, \quad i \in I . \]

  若 \(g_i(x)(i\notin I)\) 在点 \(\bar{x}\) 处可微，K-T 条件可等价表示为

  \[\begin{aligned} &\nabla f(\bar{x})-\sum_{i=1}^{m} w_{i} \nabla g_{i}(\bar{x})-\sum_{j=1}^{t} v_{j} \nabla h_{j}(\bar{{x}})=\mathbf{0} \\ &w_{i} g_{i}(\bar{x})=0, \quad i=1, \cdots, m \\ &w_{i} \geqslant 0, \quad i=1, \cdots, m, \end{aligned} \]

• 广义 Lagrange 函数

  \[L({x}, {w}, {v})=f({x})-\sum_{i=1}^{m} w_{i} g_{i}({x})-\sum_{j=1}^{l} v_{j} h_{j}({x}) \]

  若 \(\bar{x}\) 是局部最优解，则存在 Lagrange 乘子 \(\bar{w}\ge 0\) 和 \(v\) ，使得

  \[\nabla_{x} L(\bar{x}, \bar{w}, \bar{v})=0 \]

  此时一般约束问题的一阶必要条件可表示为

  \[\begin{aligned} &\nabla_{x} L({x}, {w}, {v})=\mathbf{0}, \\ &g_{i}({x}) \geqslant 0, \quad i=1, \cdots, m, \\ &h_{j}({x})=0, \quad j=1, \cdots, l, \\ &w_{i} g_{i}({x})=0, \quad i=1, \cdots, m, \\ &w_{i} \geqslant 0, \quad i=1, \cdots, m . \end{aligned} \]

• 定理 7.2.10 凸优化问题最优解的充分条件

  设问题中 \(f\) 是凸函数，\(g_i(i=1,2,\cdots,m)\) 是凹函数（注意不等式约束 \(g_i\) 的符号（若是 \(g_i\le0\) ，则应该是凸函数）\(h_j(j=1,2,\cdots,l)\) 是线性函数，\(S\) 是可行域，\(\bar{x}\in S\)，\(I=\{i|g_i(\bar{x})=0\}\)，且在 \(\bar{x}\) 处 K-T 条件成立，即存在 \(w_i\ge 0(i\in I)\) 及 \(v_j(j=1,2,\cdots,l)\) ，使得

  \[\nabla f(\bar{x})-\sum_{i \in I} w_{i} \nabla g_{i}(\bar{x})-\sum_{j=1}^{i} v_{j} \nabla h_{j}(\bar{x})=\mathbf{0}, \quad w_{i} \geqslant 0, \quad i \in I . \]

  则 \(\bar{x}\) 为全局最优解。

  注：此处关于函数凸性的假设还可以适当放宽，涉及到准凸和伪凸的概念。

• 切锥

  设 \(S\) 是 \(\mathbb{R}^{”}\) 中一个非空集合, 点 \(\overline{\boldsymbol{x}} \in \mathrm{cl} S\), 集合 \(T=\left\{\boldsymbol{d} \mid\right.\) 存在 \({x}^{(k)} \in S, {x}^{(k)} \rightarrow \bar{{x}}\) 及 \(\lambda_{k}>0\), 使得 \(\left.{d}=\lim _{k \rightarrow \infty} \lambda_{k}\left({x}^{(k)}-\bar{{x}}\right)\right\}\), 则称 \({T}\) 为集合 \(S\) 在点 \(\bar{{x}}\) 的切锥.

  

• 定理 7.2.11 （二阶必要条件）

  设 \(\bar{x}\) 是局部最优解，\(f,g_i,h_j\) 二次连续可微，并存在满足一阶必要条件的乘子 \(\bar{w}\) 和 \(\bar{v}\) ，再假设在点 \(\bar{x}\) 约束规格 \(\bar{G}=\bar{T}\) 成立，则对每一个向量 \(d\in G\)，都有

  \[d^{\mathrm{T}} {\nabla}_{x}^{2} L(\bar{x}, \bar{w}, \bar{v}) {d} \geqslant 0 \]

  其中，

  \[\nabla_{x_{x}^{2}}^{2} L(\bar{x}, \bar{w}, \bar{v})=\nabla^{2} f(\bar{x})-\sum_{i=1}^{m} \bar{w}_{i} \nabla^{2} g_{i}(\bar{x})-\sum_{j=1}^{1} \bar{v}_{j} \nabla^{2} h_{j}(\bar{{x}}) \]

  是 Lagrange 函数 \(L(x,w,v)\) 在 \(\bar{x}\) 关于 \(x\) 的 Hesse 矩阵。

  集合 \(\bar G\) 为

  \[\bar{G}=\left\{d\left | \begin{array}{ll} {d} \in \mathbb{R}^{n} \\ \nabla g_{i}(\bar{x})^{\mathrm{T}} {d}=0, & i \in I \text { 且 } \bar{w}_{i}>0 \\ \nabla g_{i}(\bar{x})^{\mathrm{T}} {d} \geqslant 0, & i \in I \text { 且 } \bar{w}_{i}=0 \\ \nabla h_{j}(\bar{x})^{\mathrm{T}} {d}=0, & j=1, \cdots, l \end{array}\right\}\right. \]

• 定理 7.2.12 （二阶充分条件）

  设 \(f,g_i,h_j\) 二次连续可微， \(\bar{x}\) 是可行点，并存在乘子 \(\bar{w}\) 和 \(\bar{v}\) 满足一阶必要条件，且对每一个向量 \(d\in G\)​，都有

  \[d^{\mathrm{T}} {\nabla}_{x}^{2} L(\bar{x}, \bar{w}, \bar{v}) {d}>0 \]

  则 \(\bar{x}\) 是严格局部最优解。

  其中，集合 \(G\) 为

  \[\bar{G}=\left\{d\left | \begin{array}{ll} d\ne 0\\ \nabla g_{i}(\bar{x})^{\mathrm{T}} {d}=0, & i \in I \text { 且 } \bar{w}_{i}>0 \\ \nabla g_{i}(\bar{x})^{\mathrm{T}} {d} \geqslant 0, & i \in I \text { 且 } \bar{w}_{i}=0 \\ \nabla h_{j}(\bar{x})^{\mathrm{T}} {d}=0, & j=1, \cdots, l \end{array}\right\}\right. \]

  • 注意：对于含等式约束优化问题的二阶极值条件，不能仅考虑 Hesse 矩阵，即便 Hesse 矩阵正定，也不一定是局部最优解。

参考链接

• 《最优化理论与算法》（第7章 最优性条件） 陈宝林著

标签：bar,nabla,最优性,cdots,条件,quad,left,mathrm
来源： https://www.cnblogs.com/hjd21/p/16601530.html