最优化基础理论与方法——2.1最优性条件

时间:2024-04-06 22:30:31

局部解和严格局部解的定义

全局解和严格全局解的定义

一阶必要条件

二阶必要条件

平稳点,驻点,鞍点

二阶充分条件

凸充分性定理

局部解的严格局部解的定义:
局部解:对于一个函数f(x),如果某个点的Θ邻域里面的最小值对应的点集有这个点,那么就把这个点叫做函数f(x)的局部解.
严格局部解:对于一个函数f(x),如果某个点的Θ邻域里面的最小值对应的点是且只有这个点,那么就把这个点叫做函数f(x)的严格局部解。

全局解和严格全局解的定义:
全局解:对于一个函数,在整个定义域上,函数的最小值对应的点集里面有这个点,那么就把这个点叫做函数f(x)的全局解。
严格全局解:对于一个函数,在整个定义域上,函数的最小值对应的点是且只有这个点,那么就把这个点叫做函数f(x)的严格全局解。

最优化基础理论与方法——2.1最优性条件
一阶必要条件:
若点k是函数的一个局部解,若函数可微,那么在点k处的梯度为一个零向量。最优化基础理论与方法——2.1最优性条件
最优化基础理论与方法——2.1最优性条件
二阶必要条件:
一个点是局部解,若函数二阶可微,那么这个点的Hesse矩阵是半正定的。最优化基础理论与方法——2.1最优性条件
平稳点,驻点和鞍点:
梯度为零的点叫做平稳点或驻点,反过来,如果在某点的梯度为零,那么这个点有可能是极大点或者是极小点,也有可能既不是极大点也不是极小点,此种点我们称为鞍点。

二阶充分条件:
函数二阶连续可微,且在点x的梯度为0,Hesse矩阵为正定矩阵,则x是一个严格局部解。

凸充分性定理:
凸函数f(x),若在点x是全局解的充要条件是在这点的梯度为零。