非線性規劃指的是目標函數 是非線性函數,或者約束集 是由非線性的等式和不等式給定的優化問題。一直以來,優化理論和方法都在工程實踐以及管理決策等方面有著重要的應用,例如近年來如日中天的機器學習方法中,對loss function的的優化的梯度下降方法和牛頓方法等都是優化理論中的經典方法。
在接下來的一系列文章中,我會不斷更新非線性規劃的相關理論知識以及一些重要的優化方法,我相信當進一步了解優化理論之後,無論是對於傳統的機器學習方法抑或是深度學習方法的學習與研究都將是大有裨益的!
我們首先來看下面一個問題:
這是一個簡單的函數最小化問題,決策變數 可以是離散或者連續的,其可行域為 ,當目標函數 是一個非線性函數時候這就是一個非線性優化問題,那麼如果要求解這個問題我們需要哪些條件呢?
一、最優性條件
我們在高中的時候都學過導數的概念,對於一個複雜函數可以通過對其求導的方式求解其極值,在這裡我們將極值的概念進一步擴展。
在這裡我們首先討論無約束情況下的優化問題
1.1 局部最小值和全局最小值
當向量 是 的一個無約束局部最小值點,那麼在該點處的鄰域內存在 滿足:
在這裡 為歐式範數,即n維向量空間上的距離。
而當向量 被稱作 無約束的全局最小值點,是指該點的函數值不大於其他所有點的函數值,即滿足:
如下圖所示,圓形區域內的就是局部最小值點,而矩形區域內的就是全局最小點: