二次规划

概述

二次规划问题是目标函数是二次的，并且约束是线性的问题。在非线性约束最优化问题中非常重要，通常作为其他问题的子步骤存在。
1.二次规划问题
2.二次规划求解算法
3. 总结
           

二次规划问题

标准形式

二次规划问题的标识形式如下

minq(x)=12xTGx+xTcs.t.aTix=bi, i∈E aTix≥bi, i∈I

如果矩阵G为半正定，则该问题为凸二次规划，否则为非凸二次规划。本节讨论重点凸二次规划问题。

二次规划求解算法

等式约束二次规划

在标准形式下，去掉不等式约束，可以得到等式约束二次规划问题的标准形式。

minq(x)=12xTGx+xTcs.t.Ax=b

其中矩阵A一般为行满秩矩阵。

KKT条件

根据KKT条件可以得到，最优解应该满足的一阶条件为

[GA−AT0][x∗λ∗]=[−cb]

当某搜索步骤x时，根据 x∗=x+p代入上式公式，可以得到搜索步长。

[GAAT0][−pλ∗]=[gh]

其中 h=Ax−b,g=c+Gx,p=x∗−x，上面矩阵就是KKT矩阵。

1.当ZTGZ
           

是半正定时，KKT矩阵非奇异，等式约束最优化问题有唯一的解(x∗,λ∗)

，其中Z是矩阵A的零空间，即AZ=0
2. 并且该解是全局最优解
           

求解算法

因此等式约束最优化问题转换为求解上述KKT矩阵对应的等式，常用的方法包括

1. 直接求解方程，高斯消元法等
2. Schur-Complement方法

3. 零空间方法

   以上方法都是利用代数方法直接求解方程。对于问题规模比较大的问题可以采用迭代方法，例如CG或者Krylov方法，相对后者比较有效。

   不等式约束问题

对于不等式约束问题，常见的思路包括有效集方法、内点法和梯度映射等方法。

KKT条件

根据二次规划的标准形式可以得到，对应的拉格朗日方程为

L(x,λ)=12xTGx+xTc−∑i∈E∪Iλi(aTix−bi)

根据有效集的定义 A(x∗)=（i∈E∪I|aTix∗=bi）

KKT条件为

Gx∗+c−∑i∈A(λ∗iai)=0aTix=bi, i∈EaTix≥bi, i∈Iλ∗i≥0

满足上述KKT条件的解（λ∗,x∗）

是全局最优解
           

有效集算法

该算法和线性规划的单纯形算法类似，每次固定一个工作集合W

，然后求解等式约束的QP问题。对于得到的解进行约束判断是否满足以及存在其他最优解，否则进行换入和换出操作。

1. 对于每次迭代过程xk,Wk，需要寻找一个最优搜索方向p，使得p=x−xk,gk=Gxk+c,q(xk+p)=12pTGp+gTkp+δk由于δk关于xk是个常数，因此问题转换为min12pTGp+gTkp; s.t.aTip=0
2. 问题转换等式约束最优化问题，根据求解算法得到搜索方向pk
3. 由于不等式约束还要满足其他不等式，因此下一个搜索点xk+1=xk+αkpk，由于对于每个不等式都应该满足aTi(xk+αkpk)≥bi，当aTipk≥0时肯定满足，否则αk≤bi−aTixkaTipk

4. 综合所有的不等式约束，可以得到

   αk=min(1,minaTipk≤0(bi−aTixkaTipk))

5. 当某个 αk<1时，说明被第K个不等式阻塞，说明 aTipk≤0，此时可以将该不等式约束放入到工作集合中。

6. 当搜索方向p=0时，说明当前点为最优点，从而计算对应的拉格朗日因子，如果全部大于0，则满足所有的KKT条件，否则去掉该约束能够继续减小目标函数值。

   综上该算法伪代码如下

   这里写图片描述

   实际考虑点

   1.和单纯性算法类似，在算法开始，需要找到一个可行解，寻找方法类似，可以构造PhraseI或者PhraseII问题。

   2.往工作集 W中添加不等式约束时，一般要求在W中的约束线性独立。

7. 当找到最优点时，但是不满足拉格朗日因子非负约束时，去掉约束时一般选择绝对值较大的。

内点法

类似于线性规划的内点法方法，计算问题的中心路径，直到趋近于最优解。

该内点法主要针对凸二次规划问题，形式如下

minq(x)=12xTGx+xTcs.t.Ax≥b

KKT条件为

Gx−ATλ+c=0Ax−b≥0(Ax−b)Tλ=0λ≥0

添加松弛变量Y则有

minq(x)=12xTGx+xTcs.t.Ax≥b

KKT条件为

Gx−ATλ+c=0Ax−y−b=0yTλ=0(y,λ)≥0

定义度量参数为 μ=yTλm，则问题转换为求解中心路径，

F(x,y,λ;σμ)=⎡⎣⎢Gx−ATλ+cAx−y−bYΛe−σμe⎤⎦⎥=0

此时可以根据牛顿法进行求解得到步长，下下一个搜索点为 (x,y,λ)+α(∇x,∇y,∇λ)

在实际问题中会在此基础上改进，牛顿方程如何求解，参数λ如何选取

梯度映射

梯度映射方法是对有效集算法的改进，不同于有效集算法，梯度映射方法每次都会选在多个参数变量加入到有效集中。但是该方法只限于求解如下问题

minq(x)=12xTGx+xTcs.t.l≤x≤μ

对于G是否正定都能求解，思路如下

1. 在某步骤x，按照最速下降法求解下一个搜索点， xk+αp，由于约束限制，会被阻塞住，此时计算有效集。
2. 在上述有效集合的基础上，计算一个子问题，使得 q(x+)≤q(xk)
3. 重复上述两个步骤。

总结

本节简要介绍了如下内容

1. 二次规划问题的形式
2. 二次规划常用算法的求解思路。

详细算法的实现，可以参考各个数值工具。

转自：https://blog.csdn.net/fangqingan_java/article/details/49720497