凸优化-次梯度算法

02 October 2015

1. 次梯度

在优化问题中,我们可以对目标函数为凸函数的优化问题采用梯度下降法求解,但是在实际情况中,目标函数并不一定光滑、或者处处可微,这时就需要用到次梯度下降算法。

次梯度(*Subgradient*)与梯度的概念类似,凸函数的First-order characterization是指如果函数f可微,那么当且仅当 为凸集,且对于 ,使得 ,则函数 为凸函数。这里所说的次梯度是指在函数 上的点 满足以下条件的

其中,函数 不一定要是凸函数,非凸函数也可以,即对于凸函数或者非凸函数而言,满足上述条件的 均为函数在该点的次梯度。但是,凸函数总是存在次梯度(可以利用epigraph和支撑平面理论证明),而非凸函数则不一定存在次梯度,即使 可微。该定义说明,用次梯度对原函数做出的一阶展开估计总是比真实值要小。

很明显,凸函数的次梯度一定存在,如果函数 在点 处可微,那么 ,为函数在该点的梯度,且唯一;如果不可微,则次梯度不一定唯一。但是对于非凸函数,次梯度则不一定存在,也不一定唯一。例如,凸函数 范数为凸函数,但不满足处处可微的条件,因此,函数的次梯度不一定唯一,如下图:

左一图为 ,函数在 时,次梯度唯一,且 ;当 时,次梯度为 中的任意一个元素;

左二图为 ,函数在 时,次梯度唯一,且 ;当 时,次梯度为 中的任意一个元素;

同样,绝对值函数 和最大值函数 在不可微点处次梯度也不一定唯一,如下图:

对于左二函数而言,其在满足 的点处,次梯度为任意一条直线在向量 之间。

同理,我们还可以给出次微分(subdifferential)的定义,即:

  • 次微分是闭合且为凸集;
  • 如果函数 在点 处可微,那么次微分等于梯度;
  • 凸函数的次微分不为空,但非凸函数则不一定。

如果我们还记得Normal cone是指给定任意集合 和点 ,那么我们可以看出,对于集合 的边界上点的Normal cone就是函数 在该点的次微分。其中,

证明:

因为,对于函数的次梯度会满足 ,因此,

  • 对于 ,不满足Normal cone的定义;
  • 对于 ,满足Normal cone的定义;

既证。

2. 次梯度的性质

  • Scalingf:
  • Addition:
  • Affine composition:如果 ,那么
  • Finite pointwise maximum:如果 ,那么 ,意味着函数 的次微分等于所有能取得最大值的函数 在点 处的微分,具体实例可参考之前提到的最大值函数部分。

3. 为什么要计算次梯度?

对于光滑的凸函数而言,我们可以直接采用梯度下降算法求解函数的极值,但是当函数不处处光滑,处处可微的时候,梯度下降就不适合应用了。因此,我们需要计算函数的次梯度。对于次梯度而言,其没有要求函数是否光滑,是否是凸函数,限定条件很少,所以适用范围更广。

次梯度具有以下优化条件(subgradient optimality condition):对于任意函数 (无论是凸还是非凸),函数在点 处取得最值等价于:

即,当且仅当0属于函数 在点 处次梯度集合的元素时, 为最优解。

证明:

证明很简单,当次梯度 时,对于所有 ,存在 ,所以, 为最优解,即证。

4. 次梯度算法

次梯度算法(Subgradient method)与梯度下降算法类似,仅仅用次梯度代替梯度,即:

其中, ,为 在点 处的次梯度。

与梯度下降算法不同的地方在于,次梯度算法并不是下降算法,每次对于参数的更新并不能保证代价函数是呈单调递减的趋势,因此,一般请款下我们选择:

另一点与梯度下降算法不同的是:次梯度算法没有明确的步长选择方法,类似Exact line searchBacktracking line search的方法,只有步长选择准则,具体如下:

  • Fixed step sizes: 
  • Diminishing step sizes: 选择满足以下条件的 :


Diminishing step sizes方法主要是保证步长逐渐变小,同时,变化幅度还不会特别快。这里需要注意的是,次梯度算法并不像梯度下降一样,可以在每一次迭代过程中自适应的计算此次步长(adaptively computed),而是事先设定好的(pre-specified)。

但是,很多人会提出这样一个问题,如果你不能保证次梯度是单调的,如何保证最后可以收敛?

定理:如果 为凸函数,且满足Lipschitz continuous with G,如果固定步长为 ,那么次梯度算法满足:

证明:

对于 ,其中 。因此,我们可以展开下式为:

因为, ,且由凸函数一阶性质可得 ,上式不等式可以写为:

对于任意 ,求和上式可以获得:

因为, ,所以:

如果令 为迭代 次内的最优解,那么 ,其中, ,因此:

所以,我们可以得到

你可能感兴趣的:(凸优化-次梯度算法)