增广拉格朗日乘子法(Augmented Lagrange Method)
2016-10-26 16:12
302 查看
增广拉格朗日乘子法的作用是用来解决等式约束下的优化问题,
假定需要求解的问题如下:
minimize f(X)
s.t.: h(X)=0
其中,f:Rn->R; h:Rn->Rm
朴素拉格朗日乘子法的解决方案是:
L(X,λ)=f(X)+μh(X); μ:Rm
此时,求解L对X和μ的偏导同时为零就可以得到最优解了。
增广拉格朗日乘子法的解决方案是:
Lc(x,λ)=f(X)+μh(X)+1/2c|h(X)|2
每次求出一个xi,然后按照梯度更新参数μ,c每次迭代逐渐增大(使用ALM方法好像还有一些假设条件)
整个流程只需要几步就可以完成了,一直迭代就可得到最优解了。
参考文献:
[1]Multiplier and Gradient Methods,1969
[2]constrained optimization and lagrange multiplier methods(page 104),1982
假定需要求解的问题如下:
minimize f(X)
s.t.: h(X)=0
其中,f:Rn->R; h:Rn->Rm
朴素拉格朗日乘子法的解决方案是:
L(X,λ)=f(X)+μh(X); μ:Rm
此时,求解L对X和μ的偏导同时为零就可以得到最优解了。
增广拉格朗日乘子法的解决方案是:
Lc(x,λ)=f(X)+μh(X)+1/2c|h(X)|2
每次求出一个xi,然后按照梯度更新参数μ,c每次迭代逐渐增大(使用ALM方法好像还有一些假设条件)
整个流程只需要几步就可以完成了,一直迭代就可得到最优解了。
参考文献:
[1]Multiplier and Gradient Methods,1969
[2]constrained optimization and lagrange multiplier methods(page 104),1982
相关文章推荐
- 论文笔记-Augmented Lagrange Multiplier Method for Recovery of Low-Rank Matrices
- 论文笔记-Augmented Lagrange Multiplier Method for Recovery of Low-Rank Matrices
- 论文笔记-Augmented Lagrange Multiplier Method for Recovery of Low-Rank Matrices
- 深入理解拉格朗日乘子法(Lagrange Multiplier) 和KKT条件 (转载)
- 深入理解拉格朗日乘子法(Lagrange Multiplier) 和KKT条件
- 理解FCM聚类算法中拉格朗日乘子法(Lagrange Multiplier) 和KKT条件
- 拉格朗日乘子法(Lagrange Multiplier) 和KKT条件
- 深入理解拉格朗日乘子法(Lagrange Multiplier) 和KKT条件
- 拉格朗日乘子法(Lagrange Multiplier) 和KKT条件
- 转载-深入理解拉格朗日乘子法(Lagrange Multiplier) 和KKT条件
- 深入理解拉格朗日乘子法(Lagrange Multiplier) 和KKT条件
- 深入理解拉格朗日乘子法(Lagrange Multiplier) 和KKT条件
- 深入理解拉格朗日乘子法(Lagrange Multiplier) 和KKT条件
- 深入理解拉格朗日乘子法(Lagrange Multiplier) 和KKT条件
- 深入理解拉格朗日乘子法(Lagrange Multiplier) 和KKT条件
- 拉格朗日乘子法简述 - A Brief Tutorial of Using Lagrange Multipliers
- 深入理解拉格朗日乘子法(Lagrange Multiplier) 和KKT条件
- 深入理解拉格朗日乘子法(Lagrange Multiplier) 和KKT条件
- 深入理解拉格朗日乘子法(Lagrange Multiplier) 和KKT条件
- 深入理解拉格朗日乘子法(Lagrange Multiplier) 和KKT条件