惯性聚合 高效追踪和阅读你感兴趣的博客、新闻、科技资讯
阅读原文 在惯性聚合中打开

推荐订阅源

N
Netflix TechBlog - Medium
G
Google Developers Blog
H
Hackread – Cybersecurity News, Data Breaches, AI and More
T
The Blog of Author Tim Ferriss
Microsoft Azure Blog
Microsoft Azure Blog
GbyAI
GbyAI
L
LangChain Blog
云风的 BLOG
云风的 BLOG
OSCHINA 社区最新新闻
OSCHINA 社区最新新闻
aimingoo的专栏
aimingoo的专栏
P
Proofpoint News Feed
Cyber Security Advisories - MS-ISAC
Cyber Security Advisories - MS-ISAC
小众软件
小众软件
WordPress大学
WordPress大学
A
About on SuperTechFans
大猫的无限游戏
大猫的无限游戏
C
Check Point Blog
月光博客
月光博客
Stack Overflow Blog
Stack Overflow Blog
美团技术团队
Jina AI
Jina AI
T
Tailwind CSS Blog
Google DeepMind News
Google DeepMind News
D
Docker

博客园 - 西瓜K菠萝

【转载】主成分分析法(PCA) 最优化问题的简洁介绍 svm常用核函数 [转]核函数K(kernel function) [转载]用等高线图(Contour maps)可视化多变量函数 【转载】反向传播算法解释 【转载】正则化避免过拟合 【转载】多项式分布 【转载】广义线性模型 【转载】指数分布族 [转载]牛顿方法 Octave 里的 fminunc 【转载】第3周笔记-逻辑回归 先验概率、后验概率、贝叶斯公式、 似然函数 从几率到logisitic函数 如何理解logistic函数? 【转载】logistic回归 【转载】逻辑回归 【转载】用OCTAVE实现一元线性回归的梯度下降算法
【转载】极大值与等高线
西瓜K菠萝 · 2018-06-03 · via 博客园 - 西瓜K菠萝

https://blog.csdn.net/quicmous/article/details/52527507

最优化问题

  数学规划问题,或着说最优化问题,一般可写成下面的形式:

maxs.t.f(x)g(x)=c(1)(1)

maxf(x)s.t.g(x)=c

先看看二维的问题

  为了简单起见,我们考虑二维情况,假设x=(x1,x2)x=(x1,x2) ,则最优化问题变成如下形式:

maxs.t.f(x1,x2)g(x1,x2)=c(2)(2)maxf(x1,x2)s.t.g(x1,x2)=c


这里写图片描述

  几何意义非常明显,要求在曲线 g(x1,x2)=cg(x1,x2)=c 上找一点,使得函数 f(x1,x2)f(x1,x2) 取得最大值。因为f(x1,x2)f(x1,x2) 是一个曲面,形象一点说,问题就是在山上寻找一条山路的最高点。

聊一聊等高线

  求解最优规划问题的关键在于曲面的等高线。我们停下脚步,看看等高线有趣的性质。对于曲面f(x1,x2)f(x1,x2) 来说,其等高线可以表示成下面的形式,

f(x1,x2)=c(3)(3)f(x1,x2)=c


  两边进行微分,得到,

fx1dx1+fx2dx2=0(4)(4)∂f∂x1dx1+∂f∂x2dx2=0


  可以看出,dx1,dx2dx1,dx2 之间是有关系的。实际上,微分dx=(dx1,dx2)dx=(dx1,dx2) 与曲线f(x1,x2)=cf(x1,x2)=c 切线方向一致。如果觉得不好理解的话,可以吧x1,x2x1,x2 换成x,yx,y ,问题就变成一元函数求导,我们知道dy/dxdy/dx 表示曲线的切线斜率,当然(dx,dy)(dx,dy) 就与曲线的切线方向相同。于是,我们得到曲面等高线的切线向量,

dx=(dx1,dx2)(5)(5)dx=(dx1,dx2)


  我们知道,曲面f(x1,x2)f(x1,x2) 的梯度可表示为,

f(x1,x2)=(fx1,fx2)(6)(6)∇f(x1,x2)=(∂f∂x1,∂f∂x2)


  于是(4)式可以表示为,

fdx=0(7)(7)∇f⋅dx=0


  可以看出,曲面上任意一点,其等高线的切线方向与其梯度方向相互垂直

约束条件本质上是曲面的等高线

  约束条件g(x1,x2)=cg(x1,x2)=c ,实际上就是曲面g(x1,x2)g(x1,x2) 的一条等高线。根据前面的结论,它的切线方向与梯度方向垂直。

目标函数的等高线

  二元函数的最优规划问题,和寻找山间小路上的最高点的思路是一样。到达山间小路最高点位置后,无论沿山间小路哪个方向走,都是下坡,都会走向较低的等高线,因此,在小路的最高点位置,小路必须与山坡的等高线相切。
  同样,我们沿着曲线 g(x1,x2)=cg(x1,x2)=c 到达最曲面f(x1,x2)f(x1,x2) 最高点,这条小路一定与曲面 f(x1,x2)f(x1,x2) 在此位置的等高线相切,也就是曲线 g(x1,x2)=cg(x1,x2)=c 与曲线 f(x1,x2)=cf(x1,x2)=c′ 在最大值位置相切。或者从梯度的角度来看,曲面f(x1,x2),g(x1,x2)f(x1,x2),g(x1,x2) 在最大值位置梯度方向是相同的。
  换句话讲,如果规划问题在(x1,x2)(x1,x2) 处取得最大值,一定存在常数 λλ 使得,

f(x1,x2)=λg(x1,x2)(8)(8)∇f(x1,x2)=λ∇g(x1,x2)


  看到这里怎么有些懵圈呢?最优解和常数 cc 怎么就没关系了呢?不是说好的 g(x1,x2)=cg(x1,x2)=c 吗?实际上, λλ 是待定参数, cc 的值可以用来确定 λλ 的值。下面我们牛刀小试,看一个具体的例子。

一个具体例子

  例1 求下面规划,

maxs.t.10(x11)2+(x22)22x1+x2=1(9)(9)max10−(x1−1)2+(x2−2)2s.t.2x1+x2=1


  解:

f(x1,x2)g(x1,x2)==10(x11)2+(x22)22x1+x2f(x1,x2)=10−(x1−1)2+(x2−2)2g(x1,x2)=2x1+x2


  由于,

f(x1,x2)=λg(x1,x2)∇f(x1,x2)=λ∇g(x1,x2)


  于是,

(2x1+2,2x2+4)=λ(2,1)(−2x1+2,−2x2+4)=λ(2,1)


  即,

{2x1+22x2+4==2λλ{−2x1+2=2λ−2x2+4=λ


  所以,

x1=λ+1,x2=12λ+2(10)(10)x1=−λ+1,x2=−12λ+2


  代入(9),

2x1+x2=12x1+x2=1


  即,

λ=65λ=65


  代入(10),得,

x1=15,x2=75x1=−15,x2=75


  此时,

f(x1,x2)===10(x11)2+(x22)210(151)2+(752)2......f(x1,x2)=10−(x1−1)2+(x2−2)2=10−(−15−1)2+(75−2)2=.