机器学习-凸优化理论-课堂笔记

转载地址： http://blog.csdn.net/JoyceWYJ/article/details/51580139

前言     

        这节课主要介绍凸优化的入门知识，程博士推荐阅读Boyd的《凸优化》，最经典的凸优化的书，这本书有600多页，细致讲解了凸优化相关的理论知识，可以作为一门学科来学习。因为硕士阶段学过《工程优化》，在这次学习过程中能容易的get到思想。 一般的优化问题包括 有约束和无约束两种，在这里我们将要弄清楚两件事情：为什么要优化？为什么要凸优化？

        首先，为什么要优化？大致组织了以下两点：

        1）方程式组本身没有解，但是在工程应用中会有求近似解的需求，怎么办呢？可以转化为求f（x）的最小值，即最小二乘问题。通过求导、求梯度来解。

        2）如果方程式组变量特别多，且都是高阶的，可以想象是相当难解的。仍然可以转为最优化问题。

1. 优化问题基础知识

1.1 无约束优化问题

         首先来看无约束优化问题。无约束优化问题中会需要极值点分析，如局部最小（大）点、全局最小（大）点以及拐点（例如x³在x=0时）。高等数学有讲过，简单的函数求极值点可以求梯度，复杂一点的可以求二阶偏导，得到Hessian矩阵。

              

   从Hessian矩阵可以看出，Hessian矩阵是个对称矩阵，因此可以定义矩阵的正负，也就是求对应的二次型的正负。求解二次型的特征值，如果特征值全正，就是正定矩阵；如果有正有负，就是不定矩阵。

1.2 泰勒级数展开

   泰勒展开特别有用，可以很方便的把一个函数展开成幂级数，即从函数的线性近似来估计函数。

   1）输入为标量的泰勒级数展开：如果是极值点，一阶导数一定为0；如果一阶导数f’(x_k)为0，可以是极大点、极小点或者拐点。然后再求二阶导数，f’’(x_k)>0，x_k为严格局部最小点，反之局部最大点，f’’(x_k)=0则可能是一个鞍点。

               

   2）输入为矢量的泰勒级数展开如下，如果二次型>0，为正定矩阵，对应的x_k是局部极小点；不定矩阵就是鞍点。二阶用矩阵表示，更高阶的用Tensor表示，处理高维矩阵，这里不作引申。

               

   下面举例说明如何判断极值点。例如有函数 f(x) = (x₁²+ x₂² -1)² + (x₂²-1)² 

   1）计算一阶偏导和二阶偏导得到

               

   2）另一阶偏导 ∇f=0 得到稳定点[0,0],[1,0],[-1,0],[0,1],[0,-1]
。

   3）继续判断每一个稳定点对应的二阶偏导，如果某点得到的矩阵的特征值都小于0，函数在这个点就是严格

局部最大；如果特征值有正有负，就是不定矩阵，可以作为鞍点的候选点。

1.3 无约束优化迭代法

   无约束优化问题直接分析法的局限性：

   1）函数可能不可导；

   2）函数求出了导数，但是对于复杂函数，不一定能求出来f’(x)=0的x；

   3）求出的解可能是一个集合。

   

          由于直接分析存在上述局限性，一般复杂的问题都不是通过求导解决的，需要“迭代法”。

   迭代法的基本运算步骤如下：   

   1）选择一个初始点，设置收敛系数ε，计数k=0；

   2）决定一个搜索方向d_k，使函数下降；（核心）

   3）决定步长α_k使得f(x_k+αd_k)对于α≥0最小化，构建x_k+1=x_k+α_kd_k；

   4）如果‖α _kd _k‖< ε，则停止迭代，输出解x _k+1；否则继续迭代。

   下面看一下如何选择d_k。

 1）深度下降法中d_k选作负梯度-∇f(x)，该算法通常速度比较慢。

    2）牛顿法做近似时考虑了一阶导数和二阶导数，优势是下降的更快，如果选好了步长，可能一步到位。

1.4 约束性优化问题

   约束性优化问题是指除了给出方程外，方程的解还需要满足f(x)定义域约束等若干条约束条件，这种问题在实际生产中更有意义，在《工程优化》中学习过这类问题的解决方法。

   衡量一般约束性优化问题极值点的一阶必要条件叫做KKT条件。KKT条件

   （https://www.zhihu.com/question/23311674）说明了

   1）最优点x∗必须满足所有等式及不等式限制条件, 也就是说最优点必须是一个可行解；

   2）在最优点x∗,∇f必须是∇gi和∇hj的线性組合,μi和λj都叫作拉格朗日乘子。

   那么什么条件下，KKT条件可以成为充要条件，什么条件下局部最小解可以成为全局最小解呢？这就是研究凸集和凸函数的意义啦。

2. 凸集和凸函数

        凸集的概念比较容易理解，满足集合上任意两点的连线上的点都在集合内，就是凸集。凸函数是定义在某个向量空间的凸子集C上的实值函数。

        若要判断一个函数是否是凸函数，比较易用的有个二阶充要条件：

        凸函数的二阶充要条件：如果函数f二阶可导，则凸函数充要条件 ，严格凸函数充要条件 。结合上文海森矩阵的性质，可以知道，海森矩阵是正定矩阵一定是凸函数。

        可以证明，凸函数局部最优解就是全局最优解。这也是研究凸函数的意义所在。

        凸函数和凸集的关系：一元函数f的α水平集为 Sα = {x|x≤α}，则有“f是凸函可推导出Sα对于每个α是凸集。

3. 凸优化问题

3.1 凸优化问题的标准形式

        如果一个问题是这样的形式：

        

        这是一个求函数最小化的问题，同时满足一些约束条件。其中f ₀(x)是凸函数，并且可行域是凸集，那么这个问题就是一个凸优化问题。

3.2 如何解凸优化问题

        简单的可以用KKT法解决，复杂的可以用牛顿法、内点法等。

        那么想一下，实际问题中凸优化适用范围大吗？对于非凸问题，有没有什么研究意义呢？办法就是“取近似“，把非凸优化问题近似为凸优化问题，再来求解。另外，有的问题在n维上看是非凸的，在n+1维上看可能就是凸问题。