第 十 二 章 二次规划
§12.1 二次规划问题
称形如
1 , 2 , ,
2
1m in ( )
2
s. t.
,
, { },
, { 1 , , }
e
e
TT
T
ii
T
i i e
f x x G x r x
a x b i
a x b i m m m
Em
I
??
? ? ???
??
? ?
?
(12.1.1)
的非线性规划问题为二次规划问题 ,其中 G 是 nn? 对称矩 阵, ,, nix r a ?? , ib?? ,
1,2 ,,i m? ? . 问题 (12.1.1)的可行域仍记为 D ,即
{ | , ;},n T Ti i i iD x a ix b E a x ibI? ? ? ? ?? ? .
对于 二次规划问题 (12.1.1), 由定理 9.1.3 可知,如果 x 是 问题 (12.1.1)的局部极小点,
则必存在乘子 ( 1, 2, , )i im? ? ? ,使得
1
,
0 ,
0
,
0 , ,,
( ) 0 , .
m
i
i
T
ii
T
i
i ii
T
ii i
r G x a
a x b i
a x b
ax
iI
bi
E
I
?
?
?
?
??
??
? ?
?
?
?
?
?
?
?
(12.1.2)
进一步,由定理 9.2.1 可知, 对于满足
0 , ( )T id a i E I x???
的 一切 nd?? ,都有 0Td Gd? .
反过来,设 x 是 问题 (12.1.1)的 K-K-T 点, ? 是相应的 Lagrange 乘子,如果对满足
0 , ,
(0,
0 ,
) ,
( 0 ) ,
T
i
T
i
T
ii
a i E
d a I
d
x
d a I
i
i x ?
?
?
?
?
? ?
?
(12.1.3)
的一切非零向量 nd?? ,都有 0Td Gd? ,则 由定理 9.2.2 可知, x 是 (12.1.1)的严格 局部
极小点 .
特别地,当 G 为半正定矩阵时, (12.1.1)中的目标函数 ()fx 为凸函数,可行域 D 为凸
集,从而二次规划问题 (12.1.1)为凸规划,由 定理 9.3.3 可知,这时, x 是( 12.1.1)的全局
极小点的充分必要条件为 x 是( 12.1.1)的 K-K-T 点 .
对于非凸函数 ()fx, 二次规划问题 (12.1.1)有如下充分必要条件 .
第十二章 二次 规划
210 最优化理论与方法 [乌力吉 ]
定理 12.1.1 设 x 是 问题 (12.1.1)的可行解,则 x 是 (12.1.1)的 局部 极小 点的 充分必要 条
件是 x 是 (12.1.1)的 K-K-T 点且 对一切满足 (12.1.3)的 d 都有 0Td Gd? .
证 必要性 . 设 x 问题 (12.1.1)的局部极小点,则由定理 9.1.4 和定理 9.1.3 可知 x 是
(12.1.1)的 K-K-T 点 . 设 d 是满足 (12.1.3)的任一非零向量,显然,对充分小的 0t? ,有
x Dtd? ? ,
于是 ,由 d 满足 (12.1.3)式,我们有
22( ) ( 1( ) ) ( ) 2 ( )TTf x t d f x tf x d t d f xx df? ? ? ? ? ??
22
1
11( ) ( )22m T T Ti
i if x t d a t d Gd f x t d Gd??? ? ? ? ??
,
这表明 0Td Gd? .
充分性 . 设充分条件成立,即存在 ( , )x ? 满足 (12.1.2)且 对一切满足 (12.1.3)的 d 都有
0Td Gd? . 如果 x 不是 (12.1.1)的局部极小点, 则存在可行 点列 {}kx 收敛到 x 且满足
(( ) )kf fxx ? . 令
1 ||, (| | )k k kk
kxdx x x? ?? ? ??
, 1,2,k? ? ,
显然, 0( )k k? ? ??, 且 有界序列 {}kd 有收敛子列,不妨设 lim
k k dd?? ?
.
由于每个 kx 都是可行点 , 故有
) ( )1 [( ] 0 ,T k T k Ti i i i ikaad x b a ix b E? ? ? ? ? ?? , (12.1.4)
) ( ) ]1 [( 0 , ( )T k T k Ti i i i ikd x b aa a ix b I x? ? ? ? ? ?? . (12.1.5)
记 { ( ) | }0ii I xI ?? ?? ?,以及
| 0 ,{(;, ) }0n T TiiK x Ea x i a x i Ix? ? ?? ??? ,
0 |{ ( 0 , ; 0 \}, )n T TiiK x E Ia x i a x i I x I??? ? ? ? ? ??? ,
显然, K 和 0K 都 是多面锥,且由 (12.1.4)和 (12.1.5)看到, {}kdK? .
由凸分析可知,在多面锥 K 中存在有限个元素 12, , , lyy y? , 称为多面锥 K 的基, 对任
意 x K? ,存在非负数 12, , , l? ? ?? ,满足
1 1 2 2 lly y yx ? ? ?? ? ?? ?.
由于 0KK? , 故按 0 ( 1, 2 ,, )jyjKl? ? ?是否成立, 我们把 K 的基 12, , , lyy y? 分成 两部
分,不妨设
1 2 0, , , ry y y K?? , 1 2 0, , , \r r ly y Ky K?? ?? .
易见,对于每个 (1 )j lyr j??? , 至少存在一个 )(iaiI?? ,使得 0Tija y ? ,从而,对每
§ 12.1 二次规划问题
最优化理论与方法 [乌力吉 ] 211
个 (1 )j lyr j??? ,有
0TijIi ay?? ?? .
设 jy 是 jy 在 0K 上的投影, 2 ,1, ,r r lj ??? ? ,则存在一个正数 0M? ,满足
|| || Tj j i ji IMy y a y??? ? ??, 2 ,1, ,r r lj ??? ? .
因此,对任意 x K? ,有
11
rl
j j j jj j rx yy??? ? ??? ?? 11 [ ( ])
rl
j j j j jjr jjy y yy??? ? ???????
1 1 1 ( )
r l l
j j j j jj j r j rjj yy y y???? ? ? ? ?????? ? ?
,
设 x 是 x 在 0K 上的投影,由于
1 01
rl
j jjjj j ry y K??? ? ?????
,
故有
0|| || in f || ||z Kx x x z?? ? ? 11|| |( )|
rl
jj j jj j rx y y??? ? ?? ? ???
1 )|| ( ||j
l
jjjr y y?????? 1 )|| ||
l
jjjr jyy??????
1
l T
ijjr i IjM ay? ??? ?? ?? 1
l
jjrTiji I ayM ?? ???? ??
11
rl
j j j jTi j j ri IM y ya ??? ? ? ??
??? ???
??? ? ?i TiI axM ??? ?
.
对每个 k , 设 kd 为 kd 在 0K 上 的 投影, 则由于 0kd K? 满足 (12.1.3)式,故由充分条件
知
( 0)k T kd Gd ? . (12.1.6)
因此
( ) [ ( ) ] [ ( ) ]k T k k k k T k k kd G d Gd d d d d d??? ? ?
( ) ( ) ( )k T k k k T k kGGd d d d d d? ? ? ?
( ) ( )k k T k kd d d dG? ? ?
2 2 2|| || || || || ||k k k kGd d d d? ? ? ? ? ?
22 || || TkiIiGaM d??? ? ??
,
(12.1.7)
另一方面, 将 ()kfx 在 x 处 Taylor 展开,得
) (kkkfxx df ???
第十二章 二次规划
212 最优化理论与方法 [乌力吉 ]
221( ) ( ) ( )2( ) T k k T kkkf x d d x df fx??? ?? ? ?
2
1
1( ) ( )2Tkm
i
k T kk i i kf x a d d G d? ? ?
?? ? ??
21( ) ( ) ( )2
i
T k k T kk i i k
I Gf x a d d d f x? ? ???? ? ? ??
,
(12.1.8)
如果 I??? 或 对 某个 k ,有 0,Tkia Idi?? ? ,则由充分条件知 ( 0)k T kd Gd ? ,与上式矛
盾,故 I??? 且 对任意 k , 都 有
0TkiIi a d?? ?? . (12.1.9)
于是,由不等式 (12.1.7)和 (12.1.8),我们有
10 ( )2T k k T kii
Ii k Ga d d d???????
2( m i n 2 || || )i Tki k iI IiGM ad??? ?? ??? ?
,
注意到不等式 (12.1.9)以及 0( )k k? ? ??,我们可以肯定上述不等式对充分大的 k 不成立,
这一矛盾表明 x 只能是 (12.1.1)的局部极小点 .
§12.2 二次规划的对偶问题
对于二次规划问题 (12.1.1),称二次极大化问题
1m a x ( , ) )
2
s.t. ,
0 ,
TT
i
T
TL x x G x r x A x b
G x r A
iI
??
?
?
? ? ? ?
??
??
(
(12.2.1)
为 问题 (12.1.1)的 Wolfe 对偶 ,其中 mn? 矩阵 A 的第 i 行为 Tia , 1,2 ,,i m? ? .
当 G 为正 定 矩阵 时,令 Ty Gx A r?? ? ?,则 (12.2.1)可改写为
11m a x ( , )
2
s.t. ,
0 , .
TT
T
i
Q y b y G y
A y r
iI
??
?
?
???
??
??
(12.2.2)
如果 x 是 二次规划问题 (12.1.1)的可行解,而 ( , )y? 是 其 对偶问题 (12.2.2)的可行解,则
有
111( ) ( , ) ( )22T T T TTf x Q y x G x A y x b y G y? ? ? ?? ? ? ? ? ?
111)22T T T Tx G x A x b y x y G y? ?? ? ? ? ?(
§ 12.2 二次规划的对偶问题
最优化理论与方法 [乌力吉 ] 213
1
1
1 ( 2 )2m T T T Ti i i
i a x b x Gx y G y x y?
?
?? ? ? ? ?? ( )
111 ( ) ( ) 02TTi i i
iI a x b x G y G x G y?
??
?? ? ? ? ? ?? ( )
,
其中 等式成立 的充分必要条件是 0
Ti i i
iI a x b?? ??? ( )
且 1x G y?? . 由此,我们得到如下定
理 .
定理 12.2.1(对偶定理) 设 x 是二次规划问题 (12.1.1)的可行解,而 ( , )y? 是其对偶问题
(12.2.2)的可行解,则有 (( )) ,Qf yx ?? ;若存在原始问题 (12.1.1)的可行解 x 和对偶问题
(12.2.2)的可行解 ( , )y? ,使得 ( ) ( , )f x Q y?? ,则 x 和 ( , )y? 分别是原始问题和
对偶问题的最优解 .
由于当且仅当 0
Ti i i
iI a x b?? ??? ( )
且 1x G y?? 时,有 (( )) ,Qf yx ?? ,故有如下定理 .
定理 12.2.2 若 G 为正定矩阵,则原始问题 (12.1.1)的可行解 x 是最优解的充分必要条件
是存在对偶问题 (12.2.2)的可行解 ( , )y? 满足 1x G y?? 且 0
Ti i i
iI a x b?? ??? ( )
.
定理 12.2.3 若 G 为正定矩阵,则原始问题不可行当且仅当对偶问题无界 .
证 若 原始 问题可行,则由 ( ) ( , )f x Q y?? 可知 对偶问题有界 . 若 原始 问题不可行, 则
利用 Farkas 引理可构造 一个 无界的对偶可行解,故对偶问题无界 .
下面考察 Lagrange 函数
1( , ) )2 T T TL x x G x r x A x b??? ? ? ?(,
显然, ( , )Lx? 的梯度和 Hesse 矩阵分别为
( , ) TG x r ALx b A x ?? ????? ?????? , 2 ( , ) TGALx A? ???? ????? ?O.
当 G 为正定矩阵时, 由于矩阵
1
IAG I
???????
O 可逆,且满足
11
1TT
T
IGG A I G AA G I A G AAI ?
? ?
? ? ? ??? ? ? ??? ? ? ?? ? ? ???
? ? ? ?? ? ? ?
OO OOO,
故 2 ( , )Lx?? 恰 有 n 个正特征值,而且它的负特征值的个数正好为 A 的秩 ,因此 , ( , )Lx? 的
稳定点 是 鞍点 .
事实上, 对于原始问题 (12.1.1)的任意可行点 x D? , 有
1m a x ( , ) m a x [ ( ) ( ] ( )
m T
i i iiL x f x a x b f x????? ? ? ? ?? ? ? ?? )
,
其中 ? ?| 0 ,m i iI??? ? ? ? ?? 是对偶问题 (12.2.1)的可行域 .
反过来,对于对偶问题 (12.2.1)的任意可行点 ??? ,由于 ( , )Lx? 是 x 的凸函数, 故
第十二章 二次规划
214 最优化理论与方法 [乌力吉 ]
min ( , )nx Lx??? 的最优解可由 方程 ( , ) 0xLx???解出 ,即满足 TGx r A ??? , 令 Ty A r???,
则 y Gx? ,从而
11m i n ( , ) ( , )2n TTx L x b y G y Q y? ? ??? ? ? ?? .
设 ( , )x ? 二次规划问题 (12.1.1)的 K-K-T 点 ,令 Ty A r???,则 x 是原始问题
(12.1.1)的可行点, ( , )y? 是对偶问题 (12.2.2)的可行点 , 并对任意 nx?? 和 ??? 有
( , ) ( , ) ( , ) ( ) ( , )L x Q y L x f x L x? ? ? ?? ? ? ?,
故 ( , )x ? 是 ( , )Lx? 的鞍点 . 更一般地,我们有如下定理 .
定理 12.2.4 设 G 正定,则 x D? 是问题 (12.1.1)的最优解 的 充分必要 条件是:存在
??? ,使对一切 nx?? 和 ??? ,都有 ( , ) ( , ) ( , )L x L x L x? ? ???.
§12.3 等式约束问题
本节我们讨论只有等式约束条件的二次规划问题
1m in ( )
2s.t . , TTf x x Gx r xAx b??? (12.3.1)
其中 mn? 矩阵 A 是行满秩的,即 ()R A m? . 显然,问题 (12.3.1)的 Lagrange 函数为
1( , ) )2 T T TL x x G x r x A x b??? ? ? ?(, (12.3.2)
K-K-T 条件为
, . TGx A rAx b?? ? ? ?? ?
?
(12.3.3)
如果 G 为半正定矩阵,则问题 (12.3.1)是凸规划,这时, K-K-T 条件 (12.3.3)的解就是问
题 (12.3.1)的最优解,从而求解问题 (12.3.1)可以转化为求解线性方程组 (12.3.3),这种方法称
为 Lagrange 乘子法 .
§12.3.1 直接 消去法
由于 ()R A m? ,故 矩阵 A 的列向量的秩也等于 m , 不妨设 A 的前 m 列向量线性无关,
并对 问题 (12.3.1)中的 矩阵和向量做如下分块 :
? ? BNA A A? , B
N
xx x?????
??
, BB BN
N B N N
GGG ??? ??
??
, B
N
rr r?????
??
,
由矩阵 G 的对称性可知, TNB BNG G? . 将 它们 代入 问题 (12.3.1),得
§ 12.3 等式约束问题
最优化理论与方法 [乌力吉 ] 215
1m in ( ) [ ]
2s . t. . N N NT T T T T TB B B B B B N N B B B BN N N
BN
NN
BN
f x x G x x G x x G x x G x r x r
A x x
x
Ab
? ? ? ? ? ?
??
(12.3.4)
而由 BNBNA x A x b??可解出
1 1 1()BNB BNNNBx A b A x A b A A x? ? ?? ? ? ?,
将其代入问题 (12.3.4),得到关于自变量 Nx 的无约束最优化问题
1 ?) 2? ? ?m i n (
nmN TTN N N Nx Nf x x r x cxG?? ?? ??
, (12.3.5)
其中
11? T T T TN N N N B B N N B B N N B B B B NG G G A A A A G A A G A A? ? ? ?? ? ? ?,
1? ()T T T TN N N B B NB N B B B Br r A A r G A A G A b? ? ?? ? ? ?,
111? 2 T T TB B B B B Bc b A G A b r A b? ? ???.
无约束最优化问题 (12.3.5)的最优性条件为
)? 0( ? ?N N N NG x rfx? ? ? ?. (12.3.6)
如果 G 是正定矩阵 (或半正定矩阵 ),则 由 列满秩矩阵 1BNAAP
I
???????
??
满足关系
1? ( ) B B B NT T T BN
N N B N B N N
GG AAG P G P A A I I?? ??? ? ?? ? ? ????
?? ??
可知,矩阵 ?NG 是正定矩阵 (或半正定矩阵 ).
因此,当 ?NG 为 正定矩阵时,严格凸二次函数 ?()Nfx 有唯一的极小点 1?N N Nx G r??? ,
从而二次规划问题 (12.3.1)有唯一解
1 1 1
1
? ?
? ?B B B N N NN NNx A b A A G rx x Gr
? ? ?
?
??????? ????
??? ??
,
对应的乘子为
( )TB B B B B N N BA G x G x r? ?? ? ?.
当 ?NG 为 半正定矩阵 但不是正定矩阵 时,凸二次函数 ?()Nfx 有 无穷多个 极小点,由于凸
函数的驻点必为极小点,故 ?()Nfx 的极小点 Nx 可通过求解线性方程组 (12.3.6)得到,从而
得到二次规划问题 (12.3.1)的最优解
11
? ? ? ? ()B B N NBN N N N NA b A A xxx x G r I G G x
??
??
??????? ????
? ? ??? ??
,
这里 ?NG? 是 ?NG 的广义逆, nmx ??? 任意 .
当 ?NG 有负特征值 时,凸二次函数 ?()Nfx 没有极小值,从而二次规划问题 (12.3.1)没有最
第十二章 二次规划
216 最优化理论与方法 [乌力吉 ]
优解 .
§12.3.2 广义消去法
直接消去法虽然方法简单,便于 理解和 实现,但在实际计算中所选择的 BA 有可能接近
奇异,使得算法数值不稳定 . 为了 克服 这样的缺陷, 我们 提出如下的广义消去法 .
AV 是矩阵 A 的行向量生成的 n? 中子空间, AV? 是 AV 的正交补空间,即
{ | }A nV z A z? ???0? ,
由于 ()R A m? ,故 dim AVm? , dim AV n m? ??.
设 12, , , myy y? 是 AV 的一个基, 12, , , nmzz z ?? 是 AV? 是一个基,并令
12[ ]myYy y? ? , 12[ ]nmzzZz ?? ? ,
显然有 AZ?O , 并 假设 mAY I? , 这里 mI 是 m 阶单位矩阵 .
事实上, 由于 A 的行向量和 Y 的列向量都是子空间 AV 的基,故存在过渡可逆矩阵 P ,
满足 TY AP? ,由此可知 TAY AA P? ,而由矩阵 A 是行满秩知,矩阵 TAA 是正定矩阵从
而可逆,因此矩阵 AY 可逆 . 若令 1()Y Y AY ?? ,则有 mAY I? ,且 Y 的列向量等价于 Y
的列向量,从而 Y 的列向量也是子空间 AV 的基,因此,不妨假设 mAY I? .
对任意 nx?? , x 可以唯一地分解为
12x xx? ? , 1 Ax V? , 2 Ax V?? ,
即存在 ?, nxx?? ,满足
?x Yx Zx??,
把它代入约束条件 Ax b? 得 xb? ,再把 ?x Yb Zx??代入二次规划问题 (12.3.1),得到无约
束最优化问题
?
11? ? ? ? ?m i n ( ) ( ) ( 2 )22
n TTx f x x Z G Z x r G Y b Z x r G Y b Y b? ? ? ? ? ??
. (12.3.7)
如果 G 为正定矩阵,则由 Z 列满秩知, TZGZ 为正定矩阵,从而 (12.3.7)有唯一 的极小
点
1? ( ) ( )TTx Z G Z Z r G Y b?? ? ?, (12.3.8)
由此得到二次规划问题 (12.3.1)的最优解
1 ( ) ( )TTx Y b Z Z G Z Z r G Y b?? ? ?, (12.3.9)
相应的乘子为
( )TY Gx r? ??
11[ ( ) ] [ ( ) ]T T T T T T TY G G Z Z G Z Z G Y b Y Y G Z Z G Z Z r??? ? ? ?. (12.3.10)
§ 12.3 等式约束问题
最优化理论与方法 [乌力吉 ] 217
因此,一旦确定了矩阵 Y 和 Z ,就可计算最优解 x 及其乘子 ? . 特别地,取
1BAY ??????
??O
, 1BNAAZ
I
???????
??
, (12.3.11)
则广义消去法就是前面介绍的直接消去法 .
在实际计算中,我们一般用下面的方法来构造矩阵 Y 和 Z . 首先将 TA 进行 QR 分解,
即
? ?1 2 1T RRA Q Q Q Q R? ? ? ?? ? ?? ? ? ?? ? ? ?OO, (12.3.12)
其中 Q 是 n 阶正交矩阵, R 是 m 阶 可逆 上三角矩阵, 12,QQ分别是前 m 列和后 nm? 列构
成的矩阵 . 然后取
11()TY Q R?? , 2ZQ? , (12.3.14)
显然,
111( ) ( )T T T mA Y R Q R IQ ???, 12()TTAZ QRQ??O,
且矩阵 ? ? YZ 非奇异 .
§12.3.3 Lagrange 乘子法
如果 G 为半正定矩阵,则问题 (12.3.1)是凸规划,这时, K-K-T 条件 (12.3.3)的解就是问
题 (12.3.1)的最优解,从而求解问题 (12.3.1)可以转化为求解线性方程组 (12.3.3),这种方法称
为 Lagrange 乘子法 .
在线性方程组
T xrGA
bA ? ???? ? ? ? ????? ? ? ??? ? ? ? ???O
(12.3.15)
中, 如果其系数矩阵可逆,记
1TTG A Q R
A R S
?? ? ? ????
? ? ? ???? ? ? ?O , (12.3.16)
则由逆矩阵的定义,我们得到矩阵方程
,
,
,
.
T
n
TT
nm
mn
T
m
G Q A R I
G R A
AQ
S
A R I
?
?
? ??
????
? ??
?
? ?
?
?
O
O
(12.3.17)
如果 G 是可逆的,则从上述方程解得
第十二章 二次规划
218 最优化理论与方法 [乌力吉 ]
1 1 1 1 1
1 1 1
11
( ) ,
( ) ,
( ) ,
TT
T
T
Q G G A A G A A G
R A G A A G
S A G A
? ? ? ? ?
? ? ?
??
? ???
??
? ???
(12.3.18)
从而,线性方程组 (12.3.15)的解为
,.Tx Qc R bRc Sb?? ? ? ?? ??
?
(12.3.18)
上述 x 就 是二次规划问题 (13.3.1)的 K-K-T 点 ,而 ? 是其对应的乘子 .
如果存在矩阵 ,YZ满足 §12.3.2 中的条件,且 TZGZ 是正定矩阵,则 矩阵
TGA
A????????O
(12.3.19)
是 非奇异的 , 这是因为齐次线性方程组
, TGx AAx ?? ???
?
00 (12.3.20)
有解 意味着
( ) 0T T T TG x x Ax A x????? ,
且由 Ax?0 知,存在 nmu ??? ,满足 x Zu? ,代入上式,得
0TTu Z GZu ? ,
由 TZGZ 是正定矩阵的假设知, u?0 ,从而 x?0 ,由于 A 是行满秩的,故齐次线性方程
组 (12.3.20)只有零解,从而矩阵 (12.3.19)非奇异的 .
矩阵 (12.3.19)非奇异 表明 (12.3.18)中的 K-K-T 点及其乘子唯一存在 , 当满足 §12.3.2 中条
件的矩阵 ,YZ存在时, 在矩阵方程 (12.3.17)中,假设
TR Y ZM?? ,
其中 M 为待定 n 阶方阵,显然,上述 TR 满足其中的第四个方程, 对其第二个方程两边左
乘 TZ 得到 TTZ GR ?O ,再代入上述 TR ,由此可以确定
1)( TTM Z GGZ Z Y?? ,
故
1( )T T TGGRZ ZYYZ Z??? ,
对其第二个方程两边再左乘 TY ,并代入上述 TR ,得
1)(T T T TS Y G G Z Z YZZ G Y Y G? ?? ,
再把上述 R 代入第一个方程,我们发现, 等式 (12.3.18)的矩阵可由公式
§ 12.4 积极集法
最优化理论与方法 [乌力吉 ] 219
1
1
1
()
)
,
)
(,
(,
TT
T T T
T T T T
G Z Z G Y
Q Z Z G Z
Y G G Z Z G Y Y G
Z
R Y Z Z
S Z Z Y
?
?
?
? ??
??
?
??
??
(12.3.21)
来 计算 .
这表明 Lagrange 方法也是一种广义消去法 .
§12.4 积极集法
本节讨论二次规划问题( QP)的一般形式
1 , 2 , ,
2
1m in ( )
2
s. t.
,
, { },
, { 1 , , }
e
e
TT
T
ii
T
i i e
f x x G x r x
a x b i
a x b i m m m
Em
I
??
? ? ???
??
? ?
?
(12.4.1)
其中 G 是 nn? 对称矩阵, ,, nix r a ?? , ib?? , 1,2 ,,i m? ? .
在当前可行迭代点 kx 的充分小邻域 ? 内,由于非积极约束并不起到约束作用,故在邻
域 ? 内求解二次规划问题 (12.4.1)可以写成
1 , 2 , ,
1m in ( )
2
s . t. , { } ,
(, ) { | 0 }
e
TT
T
ii
T
ii
k T k
ii
f x x G x r x
a x b i
a x b
Em
Ii x i I a x b
??
? ??
? ? ? ? ??
?
由 §12.3 看到,具有等式约束的二次规划问题容易求解,因此,我们 把 上述最优化问题
简化为求解子问题
1m in ( )
2
s .t. ) , (
TT
Tii k
f x x G x r x
a x b i IE x
??
???
(12.4.2)
记 ()kk IIE x?? , 若令 kx dx? ? ,则 子问题 (12.4.2)等价于求解二次规划问题
1m in
2
s .t. 0 ,
() TkT
Ti k
fd G d d
a d i I
x?
?
?
?
(12.4.3)
其中 ()kkfx rGx?? ?.
算法 12.1( 二次规划问题的积极集 法)
步 1: 给定初始可行点 0x D? ,令 00 ()IIE x?? ,置 0k? ;
步 2: 求解等式约束二次规划子问题 (12.4.3)得到最优解 kd ,若 kd ?0 ,则转步 4;
步 3: 若 0( )kiki I I? ? ? ?,则算法结束,输出近似解 kx ,否则 取
m {in }|kkki i kIi I? ? ??? , (12.4.4)
第十二章 二次规划
220 最优化理论与方法 [乌力吉 ]
令 1 \{}k k kI Ii? ? , 1kkx x? ? , 转步 6;
步 4: 计算可行步长的上界
m i 0 , \n T TiikiT
i
k k
kkb a x a d iad II? ???? ??????
,
令 {1 }min , kk? ?? , 置 1k k kkx x d?? ?? ;
步 5: 若 1k?? ,则 取 1kkI I? ? ,否则取 1 {}kkII j? ?? , 其中 \ kj II? 满足 1Tjjka x b? ? ;
步 6: 置 1kk??,转步 2.
下面简单分析算法 12.1 的合理性 .
(I) 如果子问题 (12.4.3)的最优解 kd ?0 ,则 kx 就是 等式约束 子问题
1m in ( )
2
s .t. , k
TT
Tii
f x x G x r x
a x b i I
?
? ?
?
(12.4.4)
的最优解 ,下面分两种情形讨论 .
(Ia) 如果这时 kx 对应的 Lagrange 乘子 0( )kiki I I? ? ? ? , 则由 下面的 定理可知, kx 是
原问题 (12.4.1)的 K-K-T 点 .
定理 12.4.1 若某个 kx 是二次规划问题 (12.4.1)的最优解,则 kx 必是等式约束二次规划子
问题 (12.4.2)的最优解,反过来,若某个 kx 是等式约束子问题 (12.4.4)的 K-K-T 点,且还是原
问题 (12.4.1)的可行点,则当相应的乘子 k? 满足 0ki?? ( ki II?? )时, kx 必为原问题 (12.4.1)
的 K-K-T 点 .
证 设 kx 是二次规划问题 (12.4.1)的最优解,由于 kx 本身是子问题 (12.4.2)的可行点,若
它不是子问题 (12.4.2)的最优解,则在点 kx 的任意充分小的邻域
{ | || |) |}(;kkxxN xx ?? ???
中都有子问题 (12.4.2)的可行点 ( );kNxx? ?? ,满足
( ) ( )kf x f x? ? ,
但当 ? 充分小, x? 充分靠近 kx 时,它必成为原问题 (12.4.1)的一个可行点,从而与 kx 是原问
题 (12.4.1)的 最优解矛盾 .
反过来,设 kx 是等式约束子问题 (12.4.4)的 K-K-T 点,则存在乘子 )(kiki I? ? ,满足
k
kki
i iIGx r a?????
,
,Tiik ka x b i I?? ,
再由 kx 是原问题 (12.4.1)的可行点,有
,\Tiik ka x b i I I?? ,
§ 12.4 积极集法
最优化理论与方法 [乌力吉 ] 221
这时,令 \0( )kiki II? ?? ,故当 0ki?? ( ki II?? )时,由 (12.1.2)式可知, kx 是原问题 (12.4.1)
的 K-K-T 点 .
(Ib) 如果这时 kx 对应的 Lagrange 乘子满足
mi { ( ) } 0n|kk k kii Ixi? ? ?? ?,
则由 kx 是子问题 (12.4.4)的最优解知, kx 是子问题 (12.4.4)的 K-K-T 点,故有
()
k
k k k T ki i k
iIGx r a Af x ??????? ? ?
,
其中 kA 是以 )(TikaiI? 为行向量的矩阵, ()
kkkiiI????
. 如果 kA 的行向量线性无关,则向
量
1( ) kTTk k k iAAd A e??
满足
1) ( )( ) ( ) ( 0k k kk T T k T T T k T kk k k k i i iA A e ef x d A A? ? ???? ? ? ?, (12.4.5)
1( ) kkTTk k k k k i iAAA d A A e e???, (12.4.6)
其中
kie
是第 ki 个分量为 1其余 分量均为零的单位向量 . 不等式 (12.4.5)意味着上述 d 是 目标
函数 ()fx在 kx 处的下降方向,而等式 (12.4.6)表明 d 在 kx 处满足等式约束
0, }\ {Ti k kd i Ia i??
以及 可行 条件 0
kiTad?
, 因此, 如果 我们 令 \{}k k kI Ii? ,然后 再去 求解子问题 (12.4.3), 则
其最优解必 为 ()fx在 kx 处的下降方向 .
(II) 如果子问题 (12.4.3)的最优解 kd ?0 , 则 kd 是 ()fx 在 kx 处的下降方向 . 类似于线
性规划的单纯形法,我们为了保证迭代点的可行性,必须要求
( ) ,T k kiix td b i Ea ? ? ?, (12.4.7)
( ) ,T k kx td b i Ia ? ? ?, (12.4.8)
由 kx 的可行性及 0,Tki Ea di??知 (12.4.7)显然成立,而让不等式 (12.4.8)成立, t 不能超过
m i 0 , \n T TiikiT
i
k k
kkb a x a d iad II? ???? ??????
.
定理 12.4.2 设点列 {}kx 是由算法 12.1 产生的,若对任何 k ,向量组
{ | ( )}kia i E I x??
总是 线性无关,则算法 12.1 或有限 步 终止于原问题的 K-K-T 点,或原问题无下界 .
证 如果原问题无下界,则定理得证 . 故不妨设 原问题 (12.4.1)有下界 , 这时, 由算法 12.1
是 可行 点 方法 可知 , 它所 产生的 点列 {}kx 也必 有界 . 下面只须证点列 {}kx 必 有限 步终止 .
反证 . 假设 {}kx 为无穷点列 , 由于原问题 (12.4.1)中约束条件的个数有限,故 kI 中的元
第十二章 二次规划
222 最优化理论与方法 [乌力吉 ]
素数不可能无限增加,这意味着在算法 12.1 中, 存在无穷指标集 1K , 使得
1, k Kdk??0 . (12.4.9)
对于每个 1k K? , 由 原问题只有有限多个约束 知 , 存在无穷指标集 10KK? ,使对任
意 120,k kK? ,有
12kkI I?
, 而当 1k K? 时, kx 必为等式约束子问题 (12.4.4)的最优解,从
而对任意 120,k kK? , 都有
12(( ))kkf fxx ? . (12.4.10)
设 0k 是 0K 中的最小自然数,则 由 等式 (12.4.10)以及 算法 12.1 是一个下降算法 可知 , 当
0kk? 时,就有
0(( ))kk fxfx ? . (12.4.11)
于是 ,由前面的分析 (Ib)可知 , 当 0kk? 时, 在算法 12.1 中, 或者 kd ?0 , 或者 kd ?0
但 0k?? ,从而 ,对每个 0kk? ,都有
0kkx x? .
(12.4.12)
当 0kk? 时, 如果 kd ?0 ,则必有 1kd? ?0 ,若不然,由等式约束子问题 (12.4.4)的 K-K-T
条件 以及算法 12.1 的步 3 可 知
0 \ { }11
k k k
k k
i i i
k k ki i i i
IIa G x G x Gr r rxa??
??
????? ??????
,
且 0
kki??
,但这 与 { | }ikaiI? 线性无关矛盾 . 因此, 由 0K 是无穷指标集 可知,对每个 0kk? ,
kd ?0 和 kd ?0 只能交替出现 ,从而有
0 0 0 0
0 0 0\{
2
( }) {
2
}k k k
k k k kii
ii I ij iiI rra G x G x a??
??
? ???? ? ? ???
.
(12.4.13)
由 0 1kd ? ?0 必为下降方向,我们有
0 0 0 0 0 0 0 000
0
1 1 1 1 10 ( ) ( ) kk
k
k k k k k k k kT T T Ti ii
i iIf x fd d a d a dx ??
? ? ? ? ?
?? ? ??? ??
,
由于
00 0kki? ?
, 故有
00 1 0k kTiad? ?
;
(12.4.14)
而由 算法 12.1 步 4 中下标 j 的选择可知,
0 1 0kTjad? ? . (12.4.15)
不等式 (12.4.14)和 (12.4.15)表明下标
0kj i?
, 于是,由等式 (12.4.13)以及
00 0kki? ?
可知,
向量组
0| { } }{ ika i j I??
线性相关, 但这 与定理的假设矛盾 .
§12.5 Lemke 转轴法
本节讨论如下二次规划问题
§ 12.6 路径跟踪法
最优化理论与方法 [乌力吉 ] 223
1m in ( )
2
s.t. ,
TTf x x G x r x
A bx
x
?
??
? 0
(12.5.1)
其中 G 是 nn? 对称矩阵, , nxr?? , A 是 mn? 矩阵且 Rank( )Am? , mb???? .
二次规划问题 (12.5.1)的 Lagrange 函数为
1( , , ) ( )2 T TTTL x y u x G x r x y A x b xu? ? ? ? ?, (12.5.2)
其中 ,mnyu????是相应的 Lagrange 乘子 . 因此,二次规划问题 (12.5.1)的 K-K-T 条件为
( ) 0 ,
,
,,
, , 0 .
T
T
T
G x r A
A x b A
yu
yy
ux
x
u
b
x
??
??
? ? ?
? ???
? ? ??
??
0
00
00
令 w Ax b?? ,则上述 K-K-T 条件可以写成如下形式
,
, , 0 ,
,,
,
0.
T
T
T
yu
y
G x r A
A x w b
w
x
yw
u x u
??? ??
? ? ? ??
?
?
?
? ? ?
??? ?
0
00
00
0 (12.5.3)
如果再令
,,T r x uGAM q z vb y wA??? ? ? ? ? ? ?? ? ? ??? ? ? ? ? ? ??? ? ? ? ? ???O ,
则 (12.5.3)式相当于
, , 0Tv M z q zz v? ? ? ? ?00, (12.5.4)
这是一个标准的线性互补问题 LCP(q,M), 因此, 我们可以用算法 10.5 来求解 K-K-T 条件
(12.5.3).
当矩阵 G 是半正定矩阵时,线性互补问题 (12.5.4)是可求解的,且其解为原问题 (12.5.1)
的最优解 .
§1 2.6 路径跟踪法
本节讨论如下二次规划问题
1m in ( ) 2
s .t.
TTf x x G x r x
A x b
??
?
(12.6.1)
其中 G 是 nn? 对称 正定 矩 阵, , nxr?? , A 是 mn? 矩阵且 Rank( )Am? , mb???? .
第十二章 二次规划
224 最优化理论与方法 [乌力吉 ]
令 w Ax b?? ,则 二次规划问题 (12.6.1)的 K-K-T 条件为
,
,,
0 , 1, 2 ,
,
,,
T
jj
y
w
G x r A
A
w j m
x w b
y
y
?
??
??
? ??
? ? ? ??
?
?
??
0
00
0
?
即有
,
,
,
,
,
TG x r A
A x w b
w
y
y
YW e
? ??
? ??
?
??
?
???
?
??
0
0
0
00 (12.6.2)
其中 12, , , )d ia g ( myYy y? ?, 12, , , )d ia g ( mwWw w? ?, (1,1, ,1)Tme ? ?? ?.
路径跟踪 法是引入光滑因子 0?? ,得到 K-K-T 条件 (12.6.2)的松弛形式
,
,
,
,
,
TG x r A
A
y
y
Y
x
W
b
e
w
e
w
?
?
?
? ??
? ? ? ??
?
?
?
?
? ?
0
00
0 (12.6.3)
类似于定理 11.6.1, 我们可以证明: 在适当条件下, 对每个正数 ? ,松弛 K-K-T 条件
(12.6.3)存在唯一的内点解 ( ( ), ( ), ( ))x y w? ? ?,一般把点集 { ( ( ) , ( ) , ( ) ) | 0 }x y w? ? ? ? ?称
为中心路径 .
二次规划问题的 路径跟踪 法的基本思想是利用牛顿法求解非线性方程组 (12.6.3),并逐
步减小参数 ? ,使其趋向于零 . 下面给出具体算法 .
算法 12.2( 二次规划问题 的路径跟踪法)
步 1: 给定初始点 0 0 0)(,,xyw ,其中 000, 0y w??,参数 (0,1)?? , (0,1)p? ,容
许误差 0?? ,置 0k? ;
步 2: 计算 k kb Ax w? ? ?? , k T kr G x A y? ? ? ? , ()k T kyw? ? , m???? ;
步 3: 如果 11m a x { || || , || || , }? ? ? ??,则停止迭代,输出近似最优解 ( , , )k k kywx ;
步 4: 确定搜索方向,求解线性方程组
T
k k k k
G A x
A I y
W Y w e Y W e
?
?
?
???? ? ? ? ??? ? ? ? ?
? ? ?? ? ? ?
? ? ? ???? ? ? ???
O
O
O
,
§ 12.6 路径跟踪法
最优化理论与方法 [乌力吉 ] 225
得解 ( , ),k k kyxw???;
步 5: 确定步长,计算
1 ,m a x { , }
j
j
kki
kki j n i
wyyw?
??
??? ? ?,
取步长 min{ / ,1}p??? ;
步 6: 置 1k k kxxx ?? ??? , 1k k ky y y?? ??? , 1k k kw w w?? ??? ;
步 7: 置 1kk??,转步 2.
第十二章 二次规划
226 最优化理论与方法 [乌力吉 ]
|
|