拉格朗日乘子、KKT条件与对偶问题

作者: To_QT | 来源:发表于2019-07-11 11:27 被阅读0次

机器学习——拉格朗日对偶
拉格朗日乘子、KKT条件与对偶问题
SVM
西瓜书笔记02：支持向量基
拉格朗日乘子法和 KKT 条件
【转】拉格朗日对偶
【转】约束优化方法之拉格朗日乘子法与KKT条件
拉格朗日乘子法与KKT条件
拉格朗日乘子与KKT条件(转载)
SVM原问题与对偶问题

1. 拉格朗日算子

1.1 基本流程

假设 $\boldsymbol{x}=[x_1,x_2,...,x_d]$ ，是一个 $d$ 维的向量， $f(x)$ 和 $g(x)$ 是定义在实数集上连续可微的函数，现在需要找一个 $x^*$ 使得 $f(x)$ 具有最小值，且 $g(x) \leq 0$ 。即有：
$\begin{align} \min _x f(x) \\ s.t. \ g(x) \leq 0 \tag{1.1} \end{align}$
那么，通过拉格朗日乘子法，可以构造出下面的式子：
$\begin{align} L(\boldsymbol{x}, w) = f(\boldsymbol{x}) + wg(\boldsymbol{x}) \tag{1.2} \end{align}$

令 $L(\boldsymbol{x},w)$ 的对 $\boldsymbol{x}$ 的导数为0，求解出 $x, w$ 的值，那么， $\boldsymbol{x}$ 就是函数 $f(\boldsymbol{x})$ 在附加条件 $g(\boldsymbol{x})$ 下可能的极值点。

会做题拿分就够了！！！

1.2 理解

第一层理解：

在学高数的时候，对拉格朗日的理解仅限于：构造了一个函数 $L(x,y,\lambda)$ ，对该函数 $L(x,y,\lambda)$ 求极导，令导数为0，可以算出极大值极小值。

第二层理解：

在进行第二层理解时，需要明白几个概念：

数学里面，梯度指的是函数变化最快的方向。
梯度跟函数约束曲线是垂直的，既然垂直于约束曲面，就一定垂直于等高线。

具体可以参考这篇文章拉格朗日乘子法。该文比较直观的介绍了拉格朗日的基本定理，并且从切线、梯度的角度分析了拉格朗日算子。

拉格朗日附体，我是最牛逼的！

2. KKT条件

2.1 一个限制条件的情况

看完这个例子之后，在公式(1.2)可能取到的所有点中，的的确确找到了一个 $\boldsymbol{x^*}$ ，使得 $f(\boldsymbol{x})$ 最小且满足 $g(\boldsymbol{x}) \leq 0$ ，在这样的情况下，必然有
$\begin{align} \bigtriangledown f(\boldsymbol{x^*}) + w \bigtriangledown g(\boldsymbol{x^*}) = 0 \tag{2.1} \end{align}$
而公式(2.1)在某些条件下刚好是公式(1.2)： $L(x, w) = f(\boldsymbol{x}) + wg(\boldsymbol{x})$ 对 $\boldsymbol{x}$ 的偏导数等于 $0$ 的情况。
$\begin{align} \frac{\partial{L(\boldsymbol{x}, w)}}{\partial{\boldsymbol{x}}} = \bigtriangledown f(\boldsymbol{x}) + w \bigtriangledown g(\boldsymbol{x}) \end{align}$
那么，某些条件是什么呢？

找到这些条件，就可以嘿嘿嘿

$g(\boldsymbol{x}) \leq 0$ ：这个没什么好说的，限制条件。
：要满足这个条件，考虑和两种情况：
- 当 $g(\boldsymbol{x^*})=0$ 时：说明这个点在 $g(\boldsymbol{x})=0$ 构成的边界上，此时必然有 $\bigtriangledown f(\boldsymbol{x^*})$ 和 $\bigtriangledown g(\boldsymbol{x^*})$ 平行，但是无法保证他们俩方向和大小相同，因此标量 $w>0$ ，使得等式(2.1)成立。
  
  g(x)=0, w>0的情况
- 当 $g(\boldsymbol{x^*})<0$ 时：说明这个点在 $g(\boldsymbol{x})=0$ 构成边界的内部，此时限制条件 $g(\boldsymbol{x}) \leq 0$ 就打酱油了，没卵用，可以直接通过条件 $\bigtriangledown f(\boldsymbol{x})=0$ 获得最优点，这个时候 $w=0$ 。
  
  g(x)<0, w=0的情况

$wg(\boldsymbol{x})=0$ ：要加上这个条件的原因是，为了满足条件2中的两种情况。
$\begin{align} \left\{\begin{matrix} g(\boldsymbol{x}) \leq 0 \\ w \geq 0 \\ wg(\boldsymbol{x})=0 \end{matrix}\right. \tag{2.2} \end{align}$
所以啊，公式(2.2)就被称为Karush-Kuhn-Tucker (KKT)条件。

2.2 多个限制条件的情况

一个限制条件说清楚了，那么多当有多个约束条件时，考虑 $l$ 个等式约束和 $k$ 个不等式约束。
$\begin{align} \min _x f(\boldsymbol{x}) & \\ s.t. \ c_i(\boldsymbol{x}) \leq 0 \ & (i=1,2,...,k)\\ \ h_j(\boldsymbol{x}) = 0 \ & (j=1,2,...,l) \tag{2.3} \end{align}$
这个时候，引入拉格朗日算子 $\boldsymbol{\alpha}=[\alpha_1,\alpha_2,...,\alpha_l]$ 和 $\boldsymbol{\beta}=[\beta_1,\beta_2,...,\beta_k]$ ，拉格朗日函数为
$\begin{align} L(\boldsymbol{x}, \boldsymbol{\alpha}, \boldsymbol{\beta}) = f(\boldsymbol{x}) + \sum_{i=1}^{k} \alpha_i c_i(\boldsymbol{x}) + \sum_{j=1}^{l} \beta_j h_j(\boldsymbol{x}) \tag{2.4} \end{align}$
则他们的KKT条件是：
$\begin{align} \left\{\begin{matrix} c_i(\boldsymbol{x}) \leq 0 \ & (i=1,2,...,k)\\ \alpha_i \geq 0 \ & (i=1,2,...,k)\\ \alpha_i c_i(\boldsymbol{x})=0\\ h_j(\boldsymbol{x})=0 \end{matrix}\right. \tag{2.5} \end{align}$

这有啥难的？瞎几把套就行

3. 对偶问题

KKT条件中提到，在公式(1.2)可能取到的所有点中，的的确确找到了一个 $\boldsymbol{x^*}$ ，使得 $f(\boldsymbol{x})$ 最小且满足 $g(\boldsymbol{x}) \leq 0$ 。

但是，如果找不到呢。。。

马德！！！

3.1 原始问题

3.1 一个限制条件的情况下

找不到 $\boldsymbol{x^*}$ ，公式(2.1)就不能成立了，
$\begin{align} \bigtriangledown f(\boldsymbol{x^*}) + w \bigtriangledown g(\boldsymbol{x^*}) = 0 \tag{2.1} \end{align}$
但是，我要怎么告诉公式(2.1)不能成立啊！！！

找不到 $\boldsymbol{x^*}$ ，说明存在一个 $\boldsymbol{x^{fake}}$ 违背了 $g(\boldsymbol{x}) \leq 0$ 的条件，有 $g(\boldsymbol{x^{fake}}) > 0$ ，既然这样的话，在
$\begin{align} L(\boldsymbol{x}, w) = f(\boldsymbol{x}) + wg(\boldsymbol{x}) \end{align}$
中，我们令 $w \rightarrow {+\infty}$ 。这样的话，

若 $\boldsymbol{x}$ 不违反 $g(\boldsymbol{x}) \leq 0$ 约束，则 $\max_w L(\boldsymbol{x}, w) =f(\boldsymbol{x})$
若 $\boldsymbol{x}$ 违反 $g(\boldsymbol{x}) \leq 0$ 约束，则 $\max_w L(\boldsymbol{x}, w) = {+\infty}$

所以就变成了
$\begin{align} \min _x \max_w L(\boldsymbol{x}, w)\tag{3.1} \end{align}$

3.2 多个限制条件的情况下

$\begin{align} \min _x \max_{\alpha_i, \beta_j; \alpha_i \geq0} L(\boldsymbol{x}, \boldsymbol{\alpha}, \boldsymbol{\beta})\tag{3.2} \end{align}$

again？？？

3.2 转化者

换个心情，换个思路。。。（透。。。）
这个问题称为广义拉格朗日函数的极大极小问题。
$\begin{align} \max_{\alpha_i, \beta_j;\alpha_i \geq0} \min _x L(\boldsymbol{x}, \boldsymbol{\alpha}, \boldsymbol{\beta})\tag{3.3} \end{align}$
也就是求
$\begin{align} \max_{\alpha_i, \beta_j;}\min _x L(\boldsymbol{x}, \boldsymbol{\alpha}, \boldsymbol{\beta})\\ s.t. \ \alpha_i \geq0 \tag{3.4} \end{align}$

3.3 大小安排一波？？？

假设公式(3.2) 原始人 的最优解为 $p^*$ ，公式(3.4) 转化者 的最优解为 $d^*$ 。
因为
$\begin{align} \min _x L(\boldsymbol{x}, \boldsymbol{\alpha}, \boldsymbol{\beta}) \leq L(\boldsymbol{x}, \boldsymbol{\alpha}, \boldsymbol{\beta}) \leq \max_{\alpha_i, \beta_j; \alpha_i \geq0} L(\boldsymbol{x}, \boldsymbol{\alpha}, \boldsymbol{\beta}) \tag{3.5} \end{align}$
因为原始人和转化者都有最优解，所以有
$\begin{align} d^*=\max_{\alpha_i, \beta_j;} \min _x L(\boldsymbol{x}, \boldsymbol{\alpha}, \boldsymbol{\beta}) \leq \min_x \max_{\alpha_i, \beta_j} L(\boldsymbol{x}, \boldsymbol{\alpha}, \boldsymbol{\beta})=p^* \tag{3.5} \end{align}$
所以在KKT条件中，还要加上这几条，最后是：
$\begin{align} \left\{\begin{matrix} \bigtriangledown_{\boldsymbol{x}}L(\boldsymbol{x}, \boldsymbol{\alpha}, \boldsymbol{\beta})=0\\ \bigtriangledown_{\boldsymbol{\alpha}}L(\boldsymbol{x}, \boldsymbol{\alpha}, \boldsymbol{\beta})=0\\ \bigtriangledown_{\boldsymbol{\beta}}L(\boldsymbol{x}, \boldsymbol{\alpha}, \boldsymbol{\beta})=0\\ c_i(\boldsymbol{x}) \leq 0 \ & (i=1,2,...,k)\\ \alpha_i \geq 0 \ & (i=1,2,...,k)\\ \alpha_i c_i(\boldsymbol{x})=0\\ h_j(\boldsymbol{x})=0 \end{matrix}\right. \tag{3.6} \end{align}$

4. 小结

所以，要求一个连续可微函数的最小值，并且还有一堆限制条件，可以这么做：

引入拉格朗日乘子，构造拉格朗日函数；
计算拉格朗日函数对未知参数的偏导数，并令导数为0，求解参数。
将参数代入拉格朗日函数中，并转化成对偶问题后求解。（转换的时候注意其KKT条件）

疲惫。。。

5. 参考文献

《西瓜书》
《统计学习方法》
《拉格朗日乘子法》

机器学习——拉格朗日对偶
拉格朗日对偶与凸优化、拉格朗日乘子、KKT条件有着密切的联系，KKT条件可以通过朗格朗日对偶推到得到。 ...
拉格朗日乘子、KKT条件与对偶问题
1. 拉格朗日算子 1.1 基本流程假设，是一个维的向量，和是定义在实数集上连续可微的函数，现在需要找一个使得具...
SVM
目录 - 带约束的优化问题(等式与不等式约束) - 拉格朗日乘子 - KKT条件与对偶 - 线性不可分与松弛变量 ...
西瓜书笔记02：支持向量基
支持向量基 @[拉格朗日乘子法|对偶问题|KKT条件|核函数|hinge损失] 存在多个超平面将样本划分的情况下，...
拉格朗日乘子法和 KKT 条件
这篇博文中直观上讲解了拉格朗日乘子法和 KKT 条件，对偶问题等内容。首先从无约束的优化问题讲起，...
【转】拉格朗日对偶
拉格朗日对偶本文承接上一篇约束优化方法之拉格朗日乘子法与KKT条件，将详解一些拉格朗日对偶的内容。都是一些在优...
【转】约束优化方法之拉格朗日乘子法与KKT条件
约束优化方法之拉格朗日乘子法与KKT条件引言本篇文章将详解带有约束条件的最优化问题，约束条件分为等式约束与不等...
拉格朗日乘子法与KKT条件
在求解最优化问题中，拉格朗日乘子法（Lagrange Multiplier）和KKT（Karush Kuhn Tu...
拉格朗日乘子与KKT条件(转载)
拉格朗日乘子法和KKT（Karush-Kuhn-Tucker）条件是求解约束优化问题的重要方法，再有等式约束时使用...
SVM原问题与对偶问题
序本次记录：原问题与对偶问题的关系；强对偶与弱对偶；引入KKT的原因；原问题与对偶问题的关系定义一个原问题：...