处理有约束的优化问题时,一种常见的处理方法是: 将约束条件作为惩罚项加到目标函数中。"惩罚"是一个很形象的称呼,意思是优化过程迭代到约束条件之外时给与惩罚,或者说负反馈。例如,我们在处理最小化函数值
f
f
f时,在f中增加一些项,这些项会使得迭代点在可行域之外时,增大函数f的值,这些项就起到了惩罚的作用
这些约束条件可以是等式,也可以是不等式,又或者是两者都有。
在处理等式约束时,常常使用外点罚函数法,意思是迭代点允许在可行域之外(其实非常自然,因为等式约束是一种"很严格"的约束,迭代不要限制地太紧了,不然都不好迭代优化);对于不等式约束,常使用内点罚函数法,意思是不让迭代点到可行域之外。内点法适用于只有不等式约束的问题。在对函数添加罚函数后,就将有约束的优化问题转换为了无约束优化问题。
外点罚函数法
等式约束外点罚函数法
考虑问题
min
x
f
(
x
)
∈
R
n
s
.
t
c
i
=
i
E
\min_x f(x) \quad x\in \mathbb{R^n}\\ s.t. \ \ c_i(x)=0 \ \ i \in \mathcal E
xminf(x)x∈Rns.t. ci(x)=0 i∈E
最自然的想法,把约束条件的平方作为罚函数,即
P
E
,
σ
+
1
2
∑
P_E(x, \sigma)=f(x)+\frac{1}{2}\sigma \sum_i c_i^{2}(x)
PE(x,σ)=f(x)+21σi∑ci2(x)
其中第二项为惩罚项,sigma称为罚因子。这种方法称为等式约束的二次外点罚函数法。其迭代过程与收敛性的证明参考文在文的《最优化计算方法》P186
上面我们说,外点罚函数法常用于处理等式约束,但如果通过巧妙的设计,也可以用于不等式约束,例如对于如下问题
不等式约束外点罚函数法
min
≤
I
\min_x f(x) \quad x\in \mathbb{R^n}\\ s.t. \ \ c_i(x)\le0 \ \ i \in \mathcal I
xminf(x)x∈Rns.t. ci(x)≤0 i∈I
将二次罚函数设定为如下样式
c
~
max
\tilde c_i(x)=\max (x_i(x),0)
c~i(x)=max(xi(x),0)
那么有
I
P_I(x, \sigma)=f(x)+\frac{1}{2}\sigma \sum_i \tilde c_i^{2}(x)
PI(x,σ)=f(x)+21σi∑c~i2(x)
可见,此时也允许迭代点在可行域之外迭代。值得注意的是,
P
P_I
PI仍然是可导函数,进而可以用梯度类算法求解。
同时含有等式约束与不等式约束的外点罚函数法
对于如下问题
\min_x f(x) \quad x\in \mathbb{R^n}\\ s.t. \ \ c_i(x)\le0 \ \ \ i\in \mathcal I \\ \tilde c_i(x)= 0 \ \ \ i\in \mathcal E
xminf(x)x∈Rns.t. ci(x)≤0 i∈Ic~i(x)=0 i∈E
把两个罚函数相加即可
P(x, \sigma)=f(x)+\frac{1}{2}\sigma (\sum_i c_i^{2}(x) + \sum_i \tilde c_i^{2}(x))
P(x,σ)=f(x)+21σ(i∑ci2(x)+i∑c~i2(x))
内点罚函数法
参考
- 《最优化计算方法》文再文
- 《凸优化》Stephen Boyd