中科大-凸优化 笔记(lec28)-多目标优化问题

全部笔记的汇总贴(视频也有传送门):中科大-凸优化

min ⁡ t s . t . A T ( x ) A ( x ) − t 2 I ≤ 0 t ≥ 0    ⇔ min ⁡ t s . t .    [ t I A ( x ) A T ( x ) t I ] ⪰ 0 t ≥ 0    ⇔ min ⁡ t s . t .      Y = [ t I A ( x ) A T ( x ) t I ] ( 线 性 ) Y ⪰ 0 ( 半 正 定 ) t ≥ 0 ( 线 性 ) \min t\\s.t. A^T(x)A(x)-t^2I\le0\\t\ge0\\\;\\\Leftrightarrow \\\min t\\s.t.\;\left[ \begin{matrix} tI& A(x) \\ A^T(x) & tI \\ \end{matrix} \right]\succeq0\\t\ge0\\\;\\\Leftrightarrow\\\min t\\s.t.\;\;Y=\left[ \begin{matrix} tI& A(x) \\ A^T(x) & tI \\ \end{matrix} \right](线性)\\Y\succeq0(半正定)\\t\ge0(线性) mints.t.AT(x)A(x)−t2I≤0t≥0⇔mints.t.[tIAT(x)​A(x)tI​]⪰0t≥0⇔mints.t.Y=[tIAT(x)​A(x)tI​](线性)Y⪰0(半正定)t≥0(线性)

一、多目标优化问题

min ⁡    f 0 ( x ) s . t .    f i ( x ) ≤ 0 , i = 1 , ⋯   , m h i ( x ) = 0 , i = 1 , ⋯   , P f 0 : R n → R g , f i : R n → R , h i : R n → R \min\;f_0(x)\\s.t.\;f_i(x)\le0,i=1,\cdots,m\\h_i(x)=0,i=1,\cdots,P\\f_0:\R^n\rightarrow\R^g,f_i:\R^n\rightarrow\R,h_i:\R^n\rightarrow\R minf0​(x)s.t.fi​(x)≤0,i=1,⋯,mhi​(x)=0,i=1,⋯,Pf0​:Rn→Rg,fi​:Rn→R,hi​:Rn→R

min ⁡      R i s k m i n    − I n c o m e s . t .      R e s o u r c e s \min\;\;Risk\\min\;-Income\\s.t.\;\;Resources minRiskmin−Incomes.t.Resources

min ⁡      − s p e e d min ⁡      − q u a l i t y s . t .      r e s o u r c e s \min\;\;-speed\\\min\;\;-quality\\s.t.\;\;resources min−speedmin−qualitys.t.resources
中科大-凸优化 笔记(lec28)-多目标优化问题
pareto optimal front上任意点,若找到另一解,使之在某个指标上更优,必在另外某指标上变得更美。
中科大-凸优化 笔记(lec28)-多目标优化问题
若 { f 0 ( x ) } \{f_0(x)\} {f0​(x)}在 R k \R^k Rk中为凸, f ( x ) f(x) f(x)为凸, h i ( x ) h_i(x) hi​(x)为仿射,则必可通过下述方法求得Pareto front上一点。
min ⁡    ∑ i = 1 q λ i f 0 i ( x )      λ i ≥ 0 s . t .      f i ( x ) ≤ 0 , i = 1 , ⋯   , m h i ( x ) = 0 , i = 1 , ⋯   , P \min\;\sum_{i=1}^q\lambda_if_{0i}(x)\;\;\lambda_i\ge0\\s.t.\;\;f_i(x)\le0,i=1,\cdots,m\\h_i(x)=0,i=1,\cdots,P mini=1∑q​λi​f0i​(x)λi​≥0s.t.fi​(x)≤0,i=1,⋯,mhi​(x)=0,i=1,⋯,P
通过遍历 { λ i } \{\lambda_i\} {λi​}可找出所有点。

例:Ridge Regression

b = A x + e , A ∈ R m ∗ n , b ∈ R m , e ∈ R m , x ∈ R n min ⁡      ∣ ∣ b − A x ∣ ∣ 2 2 min ⁡      ∣ ∣ x ∣ ∣ 2 } min ⁡    ∣ ∣ b − A x ∣ ∣ 2 2 + λ ∣ ∣ x ∣ ∣ 2 2 ( 岭 回 归 )    ⇔ min ⁡    ∣ ∣ b − A x ∣ ∣ 2 2 s . t .      ∣ ∣ x ∣ ∣ 2 2 ≤ ε b=Ax+e,A\in\R^{m*n},b\in\R^m,e\in\R^m,x\in\R^n\\\left. \begin{array}{r} \min\;\;||b-Ax||_2^2\\ \\\min\;\;||x||^2 \end{array} \right\} \min\;||b-Ax||^2_2+\lambda||x||_2^2(岭回归)\\\;\\\Leftrightarrow\min\;||b-Ax||_2^2\\s.t.\;\;||x||_2^2\le\varepsilon b=Ax+e,A∈Rm∗n,b∈Rm,e∈Rm,x∈Rnmin∣∣b−Ax∣∣22​min∣∣x∣∣2​⎭⎬⎫​min∣∣b−Ax∣∣22​+λ∣∣x∣∣22​(岭回归)⇔min∣∣b−Ax∣∣22​s.t.∣∣x∣∣22​≤ε

中科大-凸优化 笔记(lec28)-多目标优化问题

上一篇:CF1462E2 相似数组


下一篇:如何创建HTML Mashup并插入到SAP Cloud for Customer标准页面里