2.1 Localization and Cutting-Plane Methods
2016-08-05 14:13
190 查看
Locatization and Cutting
cutting-plane oracle 切平面预言器
finding cutting-planes 找到切平面
localization algorithms 定位算法
specific cutting -plance methods 特定切平面法
epigraph cutting-plane method 上镜图切平面法
lower bounds and stopping criteria 下界和停止准则
基于在某个集合中定位目标点的思想,在每一次的迭代过程中集合变小。
和次梯度方法一样,需要在每一步,计算目标函数的次梯度或者约束函数。
特别地,可以直接处理不可微的凸(以及拟凸)问题。
典型地,与次梯度法相比,每一步需要更多的存储空间和计算量。
但是在理论和实际上,比次梯度方法更有效。
Cutting-plane oracle
目标:找到凸集X∈Rn中的一个点,或者判断X=ϕ
我们仅通过一个切平面预言器访问或者描述X
当在x∈Rn需要切平面预言器时,
-或者判定x∈X
-或者返回x和X之间的一个分割超平面: a≠0
z≤b for z∈X,aTx≥b
(a,b)称为切平面,或者切。因为,它将半空间{z|aTz≥b}从点x(x∈X)的搜索空间切割掉。
Neutral and deep cuts
中切和深切
如果aTx=b(x在切掉的半空间的边界上),那么切平面称为中切。
如果aTx>b(x在切掉的半空间内部),那么切平面称为深切。
Unconstrained minimized
最小化凸函数:f:Rn→R
X是最优点集(函数最小值处的x值)
给定x,找到g∈∂f(x)
从f(z)≥f(x)+gT(z−x),我们得到:
gT(z−x)>0⇒f(z)>f(x)
也就是说,半空间gT(z−x)的所有点都比x”差”,并且不是最优的。
因此,gT(z−x)≤0是在(a=g,b=gTx)处的(中)切平面。
在搜索x∗过程中,通过计算g∈∂f(x),排除掉一个半空间。(即,计算x处的次梯度,g,通过不等式gT(z−x)≥0确定z的取值范围,即gT(z−x)=0是关于z的直线,在直线的两边决定了其如果。即在半空间gT(z−x)≥0时,函数的值时增加的。
idea:通过计算g,获得关于x∗位置的一点信息。
Deep cut for unconstrained minization
假定我们知道一个数f¯,满足f(x)>f¯≥f∗,也就是说算法中迄今为止找到的f的最小值。
从不等式f(z)≥f(x)+gT(z−x),我们有:
f(x)+gT(z−x)>f¯⇒f(z)>f¯≥f∗⇒z∉X
因此,我们有深切:
gT(z−x)+f(x)−f¯≤0
Feasibility problem
find x
subject to fi(x)≤0,i=1,...,m
f1,...,fm是凸的,X是可行点集。
如果x不可行,找到j满足fj(x)>0,并且计算gi∈∂fj(x)
因为fj(x)≥fj(x)+gTj(z−x),
fj(x)+gTj(z−x)>0⇒fj(z)>0⇒z∉X
也就是说,任何可行的z满足不等式fj(x)+gTj(z−x)≤0
这给出了一个深切。
cutting-plane oracle 切平面预言器
finding cutting-planes 找到切平面
localization algorithms 定位算法
specific cutting -plance methods 特定切平面法
epigraph cutting-plane method 上镜图切平面法
lower bounds and stopping criteria 下界和停止准则
基于在某个集合中定位目标点的思想,在每一次的迭代过程中集合变小。
和次梯度方法一样,需要在每一步,计算目标函数的次梯度或者约束函数。
特别地,可以直接处理不可微的凸(以及拟凸)问题。
典型地,与次梯度法相比,每一步需要更多的存储空间和计算量。
但是在理论和实际上,比次梯度方法更有效。
Cutting-plane oracle
目标:找到凸集X∈Rn中的一个点,或者判断X=ϕ
我们仅通过一个切平面预言器访问或者描述X
当在x∈Rn需要切平面预言器时,
-或者判定x∈X
-或者返回x和X之间的一个分割超平面: a≠0
z≤b for z∈X,aTx≥b
(a,b)称为切平面,或者切。因为,它将半空间{z|aTz≥b}从点x(x∈X)的搜索空间切割掉。
Neutral and deep cuts
中切和深切
如果aTx=b(x在切掉的半空间的边界上),那么切平面称为中切。
如果aTx>b(x在切掉的半空间内部),那么切平面称为深切。
Unconstrained minimized
最小化凸函数:f:Rn→R
X是最优点集(函数最小值处的x值)
给定x,找到g∈∂f(x)
从f(z)≥f(x)+gT(z−x),我们得到:
gT(z−x)>0⇒f(z)>f(x)
也就是说,半空间gT(z−x)的所有点都比x”差”,并且不是最优的。
因此,gT(z−x)≤0是在(a=g,b=gTx)处的(中)切平面。
在搜索x∗过程中,通过计算g∈∂f(x),排除掉一个半空间。(即,计算x处的次梯度,g,通过不等式gT(z−x)≥0确定z的取值范围,即gT(z−x)=0是关于z的直线,在直线的两边决定了其如果。即在半空间gT(z−x)≥0时,函数的值时增加的。
idea:通过计算g,获得关于x∗位置的一点信息。
Deep cut for unconstrained minization
假定我们知道一个数f¯,满足f(x)>f¯≥f∗,也就是说算法中迄今为止找到的f的最小值。
从不等式f(z)≥f(x)+gT(z−x),我们有:
f(x)+gT(z−x)>f¯⇒f(z)>f¯≥f∗⇒z∉X
因此,我们有深切:
gT(z−x)+f(x)−f¯≤0
Feasibility problem
find x
subject to fi(x)≤0,i=1,...,m
f1,...,fm是凸的,X是可行点集。
如果x不可行,找到j满足fj(x)>0,并且计算gi∈∂fj(x)
因为fj(x)≥fj(x)+gTj(z−x),
fj(x)+gTj(z−x)>0⇒fj(z)>0⇒z∉X
也就是说,任何可行的z满足不等式fj(x)+gTj(z−x)≤0
这给出了一个深切。
相关文章推荐
- AndroidStudio快捷键
- ORA-01111: 数据文件 12 名称未知 - 请重命名以更正文件
- Android不预览录视频
- ant-1.8.4.jar实现压缩和解压文件的工具类
- 【华为 OJ 】(练习用)挑7
- js 对象转数组
- Gas Station
- 20位活跃在Github上的国内技术大牛
- ls 列出文件或目录下的文件名
- java 位运算
- GreenDAO数据库升级问题的解决方法
- PorterDuff及Xfermode详解
- 单链表操作A
- [DP]为什么我们使用继承呢?
- level-list 的大坑
- 天天笑话
- HIKEY OP-TEE切换UART运行状态
- Cannot read property 'value' of null
- Stay Hungry Stay Foolish的真正含义
- 约瑟夫问题