拉格朗日乘子法的简单数学推导

作者: andyhacker | 来源:发表于2022-08-06 15:17 被阅读0次

拉格朗日乘子法的简单数学推导
拉格朗日乘子法和KKT条件
拉格朗日乘子法
拉格朗日乘子法
拉格朗日乘子法
拉格朗日乘子法
牛顿迭代法计算平方根(Java,Python实现)
机器学习数学原理（7）——SVM支持向量机
机器学习数学原理（5）——广泛拉格朗日乘子法
支持向量机

拉格朗日乘子法公式

结论

原问题

$min f( \mathbf{x}) \\ st. \mathbf{G(x)} = 0 \tag{1}$

转换问题
$min\mathbf{F(x)}\tag{2}$
其中
$\mathbf{F(x)} = f( \mathbf{x})+\lambda\mathbf{G(x)}\tag{3}$

推导过程

一、隐函数

将自变量 $\mathbf{x}$ 展开成向量形式
$\mathbf{x}=(x_0, x_1, x_2, ..., x_n)$
则等式 $\mathbf{G(x)} = 0$ 存在隐函数使得
$x_0=g(x_1,x_2,x_3, ..., x_n) \tag{4}$
令
$\mathbf{x'}=(x_1,x_2,x_3, ..., x_n) \tag{5}$
隐函数偏导数
对于等式（方程） $\mathbf{G(x)} = 0$ 有式 $(4)$ 的隐函数，对其两边同时进行求导得
$\frac{\partial {\mathbf{G_{x'}}}}{\partial x_1} = \frac{\partial {\mathbf{G}} }{\partial x_1}+ \frac{\partial {\mathbf{G}} }{\partial x_0} \frac{\partial {{g}} }{\partial x_1} = 0 \\ \frac{\partial {\mathbf{G_{x'}}}}{\partial x_2} = \frac{\partial {\mathbf{G}} }{\partial x_2}+ \frac{\partial {\mathbf{G}} }{\partial x_0} \frac{\partial {{g}} }{\partial x_2} = 0 \\ \ \\ ... \\ \ \\ \frac{\partial {\mathbf{G_{x'}}}}{\partial x_n} = \frac{\partial {\mathbf{G}} }{\partial x_n}+ \frac{\partial {\mathbf{G}} }{\partial x_0} \frac{\partial {{g}} }{\partial x_n} = 0 \tag{6}$

二、原问题的转换

原问题 $(1)$ 结合等式 $(4)$ 可以等价为
$\begin{align} min\mathbf{F(x)} &= min f(x_0,x_1, x_2,...,x_n)\\ &= minf(g(x_1,x_2,x_3,...,x_n),x_1,x_2,x_3,...x_n)\\ \tag{7}\end{align}$
对式 $(7)$ 求解，即为
$\frac{\partial {\mathbf{F_{x'}}}}{\partial x_1} = \frac{\partial {\mathbf{F}} }{\partial x_1}+ \frac{\partial {\mathbf{F}} }{\partial x_0} \frac{\partial {{g}} }{\partial x_1} = 0 \\ \frac{\partial {\mathbf{F_{x'}}}}{\partial x_2} = \frac{\partial {\mathbf{F}} }{\partial x_2}+ \frac{\partial {\mathbf{F}} }{\partial x_0} \frac{\partial {{g}} }{\partial x_2} = 0 \\ \ \\ ... \\ \ \\ \frac{\partial {\mathbf{F_{x'}}}}{\partial x_n} = \frac{\partial {\mathbf{F}} }{\partial x_n}+ \frac{\partial {\mathbf{F}} }{\partial x_0} \frac{\partial {{g}} }{\partial x_n} = 0 \tag{8}$
观察 $(6)$ 式，等式中含有共同项 $\frac{\partial {\mathbf{G}} }{\partial x_0}$ ，式子两侧同除以共同项，可以变换为
$\frac{\partial {{g}} }{\partial x_1} = -\frac{\frac{\partial {\mathbf{G}} }{\partial x_1}}{\frac{\partial {\mathbf{G}} }{\partial x_0}} \\ \frac{\partial {{g}} }{\partial x_2} = -\frac{\frac{\partial {\mathbf{G}} }{\partial x_2}}{\frac{\partial {\mathbf{G}} }{\partial x_0}} \\ \ \\ ... \\ \ \\ \frac{\partial {{g}} }{\partial x_n} = -\frac{\frac{\partial {\mathbf{G}} }{\partial x_n}}{\frac{\partial {\mathbf{G}} }{\partial x_0}} \tag{9}$
将 $(9)$ 式依次带入 $(8)$ 式，得
$\frac{\partial {\mathbf{F_{x'}}}}{\partial x_1} = \frac{\partial {\mathbf{F}} }{\partial x_1}+ \frac{\partial {\mathbf{F}} }{\partial x_0} (-\frac{\frac{\partial {\mathbf{G}} }{\partial x_1}}{\frac{\partial {\mathbf{G}} }{\partial x_0}})= \frac{\partial {\mathbf{F}} }{\partial x_1}+ (-\frac{\frac{\partial {\mathbf{F}} }{\partial x_0}}{{\frac{\partial {\mathbf{G}} }{\partial x_0}}})\frac{\partial {\mathbf{G}} }{\partial x_1}= 0 \\ \frac{\partial {\mathbf{F_{x'}}}}{\partial x_2} = \frac{\partial {\mathbf{F}} }{\partial x_2}+ \frac{\partial {\mathbf{F}} }{\partial x_0} (-\frac{\frac{\partial {\mathbf{G}} }{\partial x_2}}{\frac{\partial {\mathbf{G}} }{\partial x_0}})= \frac{\partial {\mathbf{F}} }{\partial x_2}+ (-\frac{\frac{\partial {\mathbf{F}} }{\partial x_0}}{{\frac{\partial {\mathbf{G}} }{\partial x_0}}})\frac{\partial {\mathbf{G}} }{\partial x_2}= 0 \\ \ \\ ... \\ \ \\ \frac{\partial {\mathbf{F_{x'}}}}{\partial x_n} = \frac{\partial {\mathbf{F}} }{\partial x_n}+ \frac{\partial {\mathbf{F}} }{\partial x_0} (-\frac{\frac{\partial {\mathbf{G}} }{\partial x_n}}{\frac{\partial {\mathbf{G}} }{\partial x_0}})= \frac{\partial {\mathbf{F}} }{\partial x_n}+ (-\frac{\frac{\partial {\mathbf{F}} }{\partial x_0}}{{\frac{\partial {\mathbf{G}} }{\partial x_0}}})\frac{\partial {\mathbf{G}} }{\partial x_n}= 0 \tag{10}$
令 $\lambda=-\frac{\frac{\partial {\mathbf{F}} }{\partial x_0}}{{\frac{\partial {\mathbf{G}} }{\partial x_0}}}\tag{11}$
代入 $(10)$ 得
$\frac{\partial {\mathbf{F}} }{\partial x_1}+ \lambda\frac{\partial {\mathbf{G}} }{\partial x_1}= 0 \\ \frac{\partial {\mathbf{F}} }{\partial x_2}+ \lambda\frac{\partial {\mathbf{G}} }{\partial x_2}= 0 \\ \ \\ ... \\ \ \\ \frac{\partial {\mathbf{F}} }{\partial x_n}+ \lambda\frac{\partial {\mathbf{G}} }{\partial x_n}= 0 \tag{12}$
同时，式 $(11)$ 可变换为
$\frac{\partial {\mathbf{F}} }{\partial x_0}+ \lambda\frac{\partial {\mathbf{G}} }{\partial x_0}= 0 \tag{13}$
结合式 $(12)(13)$ ，即可等价于
$\nabla {\mathbf{F}} +\lambda \nabla {\mathbf{G}}=0 \tag{14}$
意其即为式 $(3)$ 的最优解

拉格朗日乘子法的简单数学推导
拉格朗日乘子法公式结论原问题转换问题其中推导过程一、隐函数将自变量展开成向量形式则等式存在隐函...
拉格朗日乘子法和KKT条件
拉格朗日乘子法要解决的问题拉格朗日乘子法要解决的就是有等式限制条件的凸优化问题。形式如下：求解方式例如： ...
拉格朗日乘子法
拉格朗日乘子法如何理解？ - 知乎
拉格朗日乘子法
问题：求函数在条件下可能的极值点，其中 . 利用 Lagrange 乘子法，可将带约束的极值问题转化为无约束...
拉格朗日乘子法
学习背景：理解SVM时需要这部分背景知识。对于条件最佳化constrained optimization，我们使...
拉格朗日乘子法
拉格朗日乘子法这一节主要描述约束条件下的函数极值，涉及拉格朗日乘子法及等高线相关知识。问题引出求双曲线上离原...
牛顿迭代法计算平方根(Java,Python实现)
牛顿法的作用是使用迭代的方法来求解函数方程的根。简单地说，牛顿法就是不断求取切线的过程。更多见：李飞阳数学推导 ...
机器学习数学原理（7）——SVM支持向量机
机器学习数学原理（7）——SVM支持向量机这篇博文笔者将默认读者已经了解了最优间隔分类器以及泛化拉格朗日乘子法，...
机器学习数学原理（5）——广泛拉格朗日乘子法
机器学习数学原理（5）——广泛拉格朗日乘子法这一篇博客针对的是有约束的凸优化问题，主要是为后面的最优间隔分类器以...
支持向量机
学习这一部分知识太吃力了，原因是有好多欠缺的数学知识，慢慢啃这部分知识！理解拉格朗日乘子法：https://ww...