资料

B站最优化理论与算法
上交最优化方法

一

目标函数：需要优化的函数
决策变量，可以调整变化的量
约束集，决策变量的可行集
无约束优化，决策变量任意值
约束优化，决策变量范围有限制

非线性规划：代价函数或者约束是非线性的。

其他规划问题：
整数规划integer programming
混合整数规划 mixed integer programming
动态优化dynamic optimization
随机优化stochastic optimization
多目标优化multi objective optimization
博弈论 game theory

optimal condition 最优性条件

概念

1. 凸集 convex set

2. hyperplane 超平面
   超平面是n维欧氏空间中余维度等于一的线性子空间，也就是必须是(n-1)维度。
   这是平面中的直线、空间中的平面之推广（n大于3才被称为“超”平面），是纯粹的数学概念，不是现实的物理概念。因为是子空间，所以超平面一定经过原点。

3. 凸集边界点的支撑超平面
   凸集所有点在该边界点支撑超平面的一侧，（凸集边界点的切线，或者过顶点的超平面）

4. 凸函数（小于等于）（严格凸（小于））

5. 凹函数，-f(x) 凸函数，则f(x) 凹函数，定义域都是凸集

6. 梯度，函数对多个自变量的偏导的矩阵
   二阶梯度，hessian 阵，方阵，对称矩阵

7. 单位向量，长度为一

8. 方向导数，f(x) 的变化速率，梯度方向变化最快
   

9. 可导函数的凸性
   1，
   2， 开集，集合内的每个 x 的hessian阵 都是半正定矩阵， f(x) 是凸函数，充要条件。

10. 矩阵正定：
    1，对称阵H
    2，任意非零向量x, x’ H x > 0
    （负定小于0）
    （半正定：x’ H x >=0）
    对于n阶实对称矩阵A，下列条件是等价的：
    （1）A是正定矩阵；
    （2）A的一切顺序主子式均为正；
    （3）A的一切主子式均为正；
    （4）A的特征值均为正；
    （5）存在实可逆矩阵C，使A=C′C；
    （6）存在秩为n的m×n实矩阵B，使A=B′B；
    （7）存在主对角线元素全为正的实三角矩阵R，使A=R′R [3] 。

11. 泰勒展开

12. 局部极小点
    

13. 鞍点
    沿一个方向是极小，另一个方向是极大
    

14. 最优的充要条件

15. 最优解的存在
    
    有界闭集上定义的连续函数，有极值点（很多是在边界上）

二

一维搜索

逐次下降法iterative decent

从一个初始点x0出发，计算该点的局部信息
通过这些信息进行决策，选择一个合适的搜索方向
沿着该搜索方向找到下一个点x1，并围绕新的点计算局部信息
重复上述过程，找到一系列点xi(i = 1,2,…n)，保证每次f(x)都能减小(如果目标是最小化函数)

单峰函数

单峰函数的定义

假设函数f(x)在区间[a,b]内的x*处有一个极小点：

那么说f(x)在区间[a,b]上是单峰的，即意味着对于区间[a,b]上的任意一个点x，当x趋向于x*的时候，f(x)的函数值都是减小的。

二分法 dichotomous search

根据上文提到的有关需要计算两个新的点，由此来决定新的区间的范围；
二分法就是通过区间中值来确定新区间的两个端点值。

两点等分搜索

三点等分搜索

三