Duality

对偶

拉格朗日对偶函数

考虑优化问题
min ⁡ f 0 ( x ) s.t. f i ( x ) ≤ 0 , i = 1 , … , m h i ( x ) = 0 , i = 1 , … , p \begin{array}{ll} \min & f_0\left(\mathbf{x}\right) \\ \text {s.t.} & f_i\left(\mathbf{x}\right) \leq 0, \quad i=1, \ldots, m \\ & h_i\left(\mathbf{x}\right)=0, \quad i=1, \ldots, p \end{array} mins.t.f0(x)fi(x)0,i=1,,mhi(x)=0,i=1,,p
其中 x ∈ R n \mathbf{x} \in \mathbb{R}^n xRn,假设定义域 D = ⋂ i = 0 m dom ⁡ f i ∩ ⋂ i = 1 p dom ⁡ h i \mathcal{D}=\bigcap_{i=0}^m \operatorname{dom} f_i \cap \bigcap_{i=1}^p \operatorname{dom} h_i D=i=0mdomfii=1pdomhi非空,最优解为 p ∗ p^{*} p

定义Lagrangian L : R n × R m × R p → R L: \mathbb{R}^{n} \times \mathbb{R}^{m}\times \mathbb{R}^{p}\to \mathbb{R} L:Rn×Rm×RpR
L ( x , λ , ν ) = f 0 ( x ) + ∑ i = 1 m λ i f i ( x ) + ∑ i = 1 p ν i h i ( x ) L\left( \mathbf{x}, \mathbf{\lambda}, \mathbf{\nu} \right) =f_{0} \left( \mathbf{x} \right) +\sum_{i=1}^{m} \lambda_{i} f_{i}\left( \mathbf{x} \right) + \sum_{i=1}^{p} \nu_{i} h_{i}\left( \mathbf{x} \right) L(x,λ,ν)=f0(x)+i=1mλifi(x)+i=1pνihi(x)
其中 dom ⁡ L = D × R m × R p \operatorname{dom} L = \mathcal{D} \times \mathbb{R}^{m} \times \mathbb{R}^{p} domL=D×Rm×Rp

这里的 λ , ν \mathbf{\lambda}, \mathbf{\nu} λ,ν被称为对偶变量(dual varibales)或者拉格朗日乘子向量(Lagrange multiplier vectors)

拉格朗日对偶函数

定义拉格朗日对偶函数 g : R m × R p → R g: \mathbb{R}^m \times \mathbb{R}^{p} \to \mathbb{R} g:Rm×RpR为Lagrangian关于 x \mathbf{x} x的最小值,即
g ( λ , ν ) = inf ⁡ x ∈ D L ( x , λ , ν ) = inf ⁡ x ∈ D ( f 0 ( x ) + ∑ i = 1 m λ i f i ( x ) + ∑ i = 1 p ν i h i ( x ) ) g \left( \mathbf{\lambda}, \mathbb{\nu} \right) = \inf_{\mathbf{x} \in \mathcal{D}} L \left( \mathbf{x}, \mathbf{\lambda}, \mathbf{\nu} \right) = \inf_{\mathbf{x} \in \mathcal{D}} \left( f_{0} \left( \mathbf{x} \right) +\sum_{i=1}^{m} \lambda_{i} f_{i}\left( \mathbf{x} \right) + \sum_{i=1}^{p} \nu_{i} h_{i}\left( \mathbf{x} \right) \right) g(λ,ν)=xDinfL(x,λ,ν)=xDinf(f0(x)+i=1mλifi(x)+i=1pνihi(x))
因为 L L L关于 ( λ , ν ) \left(\mathbf{\lambda}, \mathbf{\nu}\right) (λ,ν)是凹(仿射)函数,因此取 inf ⁡ \inf inf后是凹函数

最优解的下界

对于任意 λ ⪰ 0 \mathbf{\lambda}\succeq \mathbf{0} λ0,有
g ( λ , ν ) ≤ p ∗ g \left( \mathbf{\lambda}, \mathbf{\nu} \right) \le p^{*} g(λ,ν)p
证明:
x ~ \tilde{\mathbf{x}} x~是一个可行解,即 f i ( x ~ ) ≤ 0 , h i ( x ~ ) = 0 f_{i} \left( \tilde{\mathbf{x}} \right) \le 0, h_{i} \left( \tilde{\mathbf{x}} \right) = 0 fi(x~)0,hi(x~)=0,有
∑ i = 1 m λ i f i ( x ~ ) + ∑ i = 1 p ν i h i ( x ~ ) ≤ 0 \sum_{i=1}^{m} \lambda_{i} f_{i}\left( \tilde{\mathbf{x}} \right) + \sum_{i=1}^{p} \nu_{i} h_{i}\left( \tilde{\mathbf{x}} \right) \le 0 i=1mλifi(x~)+i=1pνihi(x~)0
因此
L ( x ~ , λ , ν ) = f 0 ( x ~ ) + ∑ i = 1 m λ i f i ( x ~ ) + ∑ i = 1 p ν i h i ( x ~ ) ≤ f 0 ( x ~ ) L \left( \tilde{\mathbf{x}}, \mathbf{\lambda}, \mathbf{\nu} \right) = f_{0} \left( \tilde{\mathbf{x}} \right)+ \sum_{i=1}^{m} \lambda_{i} f_{i}\left( \tilde{\mathbf{x}} \right) + \sum_{i=1}^{p} \nu_{i} h_{i}\left( \tilde{\mathbf{x}} \right) \le f_{0} \left( \tilde{\mathbf{x}} \right) L(x~,λ,ν)=f0(x~)+i=1mλifi(x~)+i=1pνihi(x~)f0(x~)
因此
g ( λ , ν ) ≤ p ∗ g \left( \mathbf{\lambda}, \mathbf{\nu} \right) \le p^{*} g(λ,ν)p

拉格朗日对偶函数和共轭函数

考虑
min ⁡ f 0 ( x ) s.t. A x ⪯ b C x = d \begin{array}{ll} \min & f_0 \left( \mathbf{x} \right) \\ \text {s.t.} & \mathbf{A} \mathbf{x} \preceq \mathbf{b} \\ & \mathbf{C} \mathbf{x} = \mathbf{d} \end{array} mins.t.f0(x)AxbCx=d
对偶函数
g ( λ , ν ) = inf ⁡ x ( f 0 ( x ) + λ T ( A x − b ) + ν T ( C x − d ) ) = − b T λ − d T ν + inf ⁡ x ( f 0 ( x ) + ( A T λ + C T ν ) T x ) = − b T λ − d T ν − sup ⁡ x ( ( − A T λ − C T ν ) T x − f 0 ( x ) ) = − b T λ − d T ν − f 0 ∗ ( − A T λ − C T ν ) \begin{aligned} g \left( \mathbf{\lambda}, \mathbf{\nu} \right) &= \inf_{\mathbf{x}} \left( f_{0} \left( \mathbf{x} \right) + \mathbf{\lambda}^T \left( \mathbf{A} \mathbf{x} - \mathbf{b} \right) + \mathbf{\nu}^T \left( \mathbf{C}\mathbf{x} - \mathbf{d} \right) \right) \\ &= -\mathbf{b}^T\mathbf{\lambda} - \mathbf{d}^T\mathbf{\nu} + \inf_{\mathbf{x}} \left( f_{0} \left( \mathbf{x} \right) + \left( \mathbf{A}^T\mathbf{\lambda} + \mathbf{C}^T\mathbf{\nu} \right)^T \mathbf{x}\right) \\ &= -\mathbf{b}^T\mathbf{\lambda} - \mathbf{d}^T\mathbf{\nu} - \sup_{\mathbf{x}} \left( \left( -\mathbf{A}^T\mathbf{\lambda} - \mathbf{C}^T\mathbf{\nu} \right)^T \mathbf{x}-f_{0} \left( \mathbf{x} \right)\right) \\ &= -\mathbf{b}^T\mathbf{\lambda} - \mathbf{d}^T\mathbf{\nu} - f_{0}^{*} \left( -\mathbf{A}^T\mathbf{\lambda} - \mathbf{C}^T\mathbf{\nu} \right) \end{aligned} g(λ,ν)=xinf(f0(x)+λT(Axb)+νT(Cxd))=bTλdTν+xinf(f0(x)+(ATλ+CTν)Tx)=bTλdTνxsup((ATλCTν)Txf0(x))=bTλdTνf0(ATλCTν)
其中 dom ⁡ g = { ( λ , ν ) ∣ − A T λ − C T ν ∈ dom ⁡ f 0 ∗ } \operatorname{dom} g = \left\{ \left( \mathbf{\lambda}, \mathbf{\nu} \right) | -\mathbf{A}^T\mathbf{\lambda} - \mathbf{C}^T\mathbf{\nu} \in \operatorname{dom} f_{0}^{*} \right\} domg={(λ,ν)ATλCTνdomf0}

例子
范数

min ⁡ f 0 ∗ ∥ x ∥ s.t. A x = b \begin{array}{ll} \min & f_{0}^{*}\|\mathbf{x}\| \\ \text {s.t.} & \mathbf{A} \mathbf{x} = \mathbf{b} \end{array} mins.t.f0xAx=b
根据
f 0 ∗ ( y ) = { 0 ∥ y ∥ ∗ ≤ 1 ∞ o t h e r w i s e f_{0}^{*} \left( \mathbf{y} \right) =\begin{cases} 0 & \|\mathbf{y}\|_{*} \le 1\\ \\ \infty & otherwise \end{cases} f0(y)= 0y1otherwise

g ( ν ) = − b T ν − f 0 ∗ ( − A T ν ) = { − b T ν ∥ A T ν ∥ ∗ ≤ 1 − ∞ o t h e r w i s e g \left( \mathbf{\nu} \right) =-\mathbf{b}^T\mathbf{\nu} - f_{0}^{*} \left( -\mathbf{A}^T \mathbf{\nu} \right) =\begin{cases} -\mathbf{b}^T\mathbf{\nu} & \|\mathbf{A}^T\mathbf{\nu}\|_{*}\le 1\\ \\ -\infty & otherwise \end{cases} g(ν)=bTνf0(ATν)= bTνATν1otherwise

椭圆中的最小值

min ⁡ f 0 ( x ) = log ⁡ ∣ X − 1 ∣ s.t. a i T X a i ≤ 1 , i = 1 , 2 , ⋯ , m \begin{array}{ll} \min & f_0 \left( \mathbf{x} \right)=\log \left| \mathbf{X}^{-1} \right| \\ \text {s.t.} & \mathbf{a}_{i}^T \mathbf{X}\mathbf{a}_{i} \le 1, i=1,2,\cdots,m \\ \end{array} mins.t.f0(x)=log X1 aiTXai1,i=1,2,,m
其中 dom ⁡ f 0 = S + + n \operatorname{dom} f_{0} = S_{++}^{n} domf0=S++n

f 0 ∗ ( Y ) = log ⁡ ∣ ( − Y ) − 1 ∣ − n f_{0}^{*} \left( \mathbf{Y} \right) = \log \left| \left( -\mathbf{Y} \right)^{-1} \right| -n f0(Y)=log (Y)1 n
其中 dom ⁡ f 0 ∗ = − S + + n \operatorname{dom} f_{0}^{*} = -S_{++}^{n} domf0=S++n

拉格朗日函数
L ( X , λ ) = log ⁡ ∣ X − 1 ∣ + ∑ i = 1 m λ i ( a i T X a i − 1 ) = − λ T 1 + tr ⁡ ( ( ∑ i = 1 m λ i a i a i T ) X ) + log ⁡ ∣ X − 1 ∣ \begin{aligned} L\left( \mathbf{X}, \mathbf{\lambda} \right) &= \log \left| \mathbf{X}^{-1} \right| + \sum_{i=1}^{m}\lambda_{i}\left( \mathbf{a}_{i}^{T} \mathbf{X} \mathbf{a}_{i}-1 \right) \\ &= -\mathbf{\lambda}^T\mathbf{1} + \operatorname{tr}\left( \left( \sum_{i=1}^{m}\lambda_{i} \mathbf{a}_{i} \mathbf{a}_{i}^{T} \right) \mathbf{X} \right) +\log \left| \mathbf{X}^{-1} \right| \end{aligned} L(X,λ)=log X1 +i=1mλi(aiTXai1)=λT1+tr((i=1mλiaiaiT)X)+log X1
因此
g ( λ ) = − λ T 1 − f 0 ∗ ( − ( ∑ i = 1 m λ i a i a i T ) ) = − λ T 1 + log ⁡ ∣ ∑ i = 1 m λ i a i a i T ∣ + n g \left( \mathbf{\lambda} \right) = -\lambda^T \mathbf{1} - f_{0}^{*} \left( -\left( \sum_{i=1}^{m}\lambda_{i} \mathbf{a}_{i} \mathbf{a}_{i}^{T} \right) \right) = -\lambda^T \mathbf{1} + \log \left| \sum_{i=1}^{m}\lambda_{i} \mathbf{a}_{i} \mathbf{a}_{i}^{T} \right| +n g(λ)=λT1f0((i=1mλiaiaiT))=λT1+log i=1mλiaiaiT +n

拉格朗日对偶问题

min ⁡ g ( λ , ν ) s.t. λ ⪰ 0 \begin{array}{ll} \min & g \left(\mathbf{\lambda}, \mathbf{\nu}\right) \\ \text {s.t.} & \mathbf{\lambda} \succeq \mathbf{0} \end{array} mins.t.g(λ,ν)λ0

例子

标准线性规划

min ⁡ c T x s.t. A x = b x ⪰ 0 \begin{array}{ll} \min & \mathbf{c}^{T} \mathbf{x} \\ \text {s.t.} & \mathbf{A} \mathbf{x} = \mathbf{b} \\ & \mathbf{x} \succeq \mathbf{0} \end{array} mins.t.cTxAx=bx0
拉格朗日函数
L ( x , λ , ν ) = c T x − λ T x + ν T ( A x − b ) = − ν T b + ( c − λ + A T ν ) T x L \left( \mathbf{x}, \mathbf{\lambda}, \mathbf{\nu} \right) = \mathbf{c}^T \mathbf{x} -\mathbf{\lambda}^T\mathbf{x} + \mathbf{\nu}^T \left( \mathbf{A}\mathbf{x} - \mathbf{b} \right) = - \mathbf{\nu}^T\mathbf{b} + \left( \mathbf{c} - \mathbf{\lambda}+ \mathbf{A}^T \mathbf{\nu} \right)^{T} \mathbf{x} L(x,λ,ν)=cTxλTx+νT(Axb)=νTb+(cλ+ATν)Tx
进而
g ( λ , ν ) = { − b T ν , c − λ + A T ν = 0 − ∞ , o t h e r w i s e g \left( \mathbf{\lambda}, \mathbf{\nu} \right) = \begin{cases} -\mathbf{b}^T\mathbf{\nu}, & \mathbf{c} - \mathbf{\lambda}+ \mathbf{A}^T \mathbf{\nu}=\mathbf{0}\\ \\ -\infty, & otherwise \end{cases} g(λ,ν)= bTν,,cλ+ATν=0otherwise
其中 λ ⪰ 0 \mathbf{\lambda} \succeq \mathbf{0} λ0
对偶问题
max ⁡ − b T ν s.t. c − λ + A T ν = 0 λ ⪰ 0 \begin{array}{ll} \max & -\mathbf{b}^T\mathbf{\nu} \\ \text {s.t.} & \mathbf{c} - \mathbf{\lambda}+ \mathbf{A}^T \mathbf{\nu}=\mathbf{0} \\ & \mathbf{\lambda} \succeq \mathbf{0} \end{array} maxs.t.bTνcλ+ATν=0λ0
再转一转
max ⁡ − b T ν s.t. c + A T ν ⪰ 0 \begin{array}{ll} \max & -\mathbf{b}^T\mathbf{\nu} \\ \text {s.t.} & \mathbf{c} + \mathbf{A}^T \mathbf{\nu} \succeq \mathbf{0} \end{array} maxs.t.bTνc+ATν0

弱对偶

假设拉格朗日对偶问题的最优解是 d ∗ d^{*} d,则
d ∗ ≤ p ∗ d^{*} \le p^{*} dp

强队偶和Slater条件

如果 d ∗ = p ∗ d^{*} = p^{*} d=p,我们称强对偶成立

考虑如下问题
min ⁡ f 0 ( x ) s.t. f i ( x ) ≤ 0 , i = 1 , … , m A x = b \begin{array}{ll} \min & f_0\left(\mathbf{x}\right) \\ \text {s.t.} & f_i\left(\mathbf{x}\right) \leq 0, \quad i=1, \ldots, m \\ & \mathbf{A}\mathbf{x} = \mathbf{b} \end{array} mins.t.f0(x)fi(x)0,i=1,,mAx=b
其中 f 0 , f 1 , ⋯ , f m f_0, f_1,\cdots, f_m f0,f1,,fm是凸函数,为定义域 D \mathcal{D} D

Slater条件:存在 x ∈ relint ⁡ D \mathbf{x} \in \operatorname{relint} \mathcal{D} xrelintD,使得
f i ( x ) < 0 , i = 1 , ⋯ , m , A x = b f_{i} \left( \mathbf{x} \right) < 0, \quad i= 1,\cdots,m,\quad \mathbf{A}\mathbf{x} = \mathbf{b} fi(x)<0,i=1,,m,Ax=b
则强对偶成立

如果 f 1 , f 2 , ⋯ , f k f_1, f_2,\cdots, f_k f1,f2,,fk是仿射函数,则
广义Slater条件:存在 x ∈ relint ⁡ D \mathbf{x} \in \operatorname{relint} \mathcal{D} xrelintD,使得
f i ( x ) ≤ 0 , i = 1 , ⋯ , k f i ( x ) < 0 , i = k + 1 , ⋯ , m A x = b f_{i} \left( \mathbf{x} \right) \le 0, \quad i= 1,\cdots,k \quad f_{i} \left( \mathbf{x} \right) < 0, \quad i= k+1,\cdots,m\\ \quad \mathbf{A}\mathbf{x} = \mathbf{b} fi(x)0,i=1,,kfi(x)<0,i=k+1,,mAx=b
则强对偶成立

鞍点

min-max

先考虑没有等式约束
注意到
sup ⁡ λ ≥ 0 L ( x , λ ) = sup ⁡ λ ⪰ 0 ( f 0 ( x ) + ∑ i = 1 m λ i f i ( x ) ) = { f 0 ( x ) , f i ( x ) ≤ 0 , i = 1 , ⋯ , m ∞ , o t h e r w i s e \begin{aligned} \sup_{\mathbf{\lambda} \ge \mathbf{0}} L \left( \mathbf{x}, \mathbf{\lambda} \right) &= \sup_{\mathbf{\lambda} \succeq \mathbf{0}} \left( f_{0} \left( \mathbf{x} \right) + \sum_{i=1}^{m} \lambda_{i} f_{i} \left( \mathbf{x} \right) \right) \\ &= \begin{cases} f_{0} \left( \mathbf{x} \right), & f_{i} \left( \mathbf{x} \right) \le 0,\ i=1,\cdots, m \\ \infty, & otherwise \end{cases} \end{aligned} λ0supL(x,λ)=λ0sup(f0(x)+i=1mλifi(x))={f0(x),,fi(x)0, i=1,,motherwise
这是因为,如果 x \mathbf{x} x不是一个可行解,则存在 i i i,使得 f i ( x ) > 0 f_i \left( \mathbf{x} \right) > 0 fi(x)>0,令 λ j = 0 , j ≠ i , λ i → ∞ \lambda_j =0, j\neq i, \lambda_{i} \to \infty λj=0,j=i,λi就能得到 L → ∞ L\to \infty L
如果 f i ( x ) ≤ 0 , i = 1 , ⋯ m f_i \left( \mathbf{x} \right) \le 0, i=1,\cdots m fi(x)0,i=1,m,则最优解肯定是令 λ = 0 \mathbf{\lambda} = \mathbf{0} λ=0,即可得到 f 0 ( x ) f_0 \left( \mathbf{x} \right) f0(x)
因此
p ∗ = inf ⁡ x sup ⁡ λ ⪰ 0 L ( x , λ ) p^{*} = \inf_{x} \sup_{\mathbf{\lambda}\succeq \mathbf{0}} L \left( \mathbf{x}, \mathbf{\lambda} \right) p=xinfλ0supL(x,λ)
根据对偶函数的定义,有
d ∗ = sup ⁡ λ ⪰ 0 inf ⁡ x L ( x , λ ) d^{*} = \sup_{\mathbf{\lambda} \succeq \mathbf{0}} \inf_{\mathbf{x}} L \left( \mathbf{x}, \mathbf{\lambda} \right) d=λ0supxinfL(x,λ)
所以弱对偶
sup ⁡ λ ⪰ 0 inf ⁡ x L ( x , λ ) ≤ inf ⁡ x sup ⁡ λ ⪰ 0 L ( x , λ ) \sup_{\mathbf{\lambda} \succeq \mathbf{0}} \inf_{\mathbf{x}} L \left( \mathbf{x}, \mathbf{\lambda} \right) \le \inf_{x} \sup_{\mathbf{\lambda}\succeq \mathbf{0}} L \left( \mathbf{x}, \mathbf{\lambda} \right) λ0supxinfL(x,λ)xinfλ0supL(x,λ)
强对偶
sup ⁡ λ ⪰ 0 inf ⁡ x L ( x , λ ) = inf ⁡ x sup ⁡ λ ⪰ 0 L ( x , λ ) \sup_{\mathbf{\lambda} \succeq \mathbf{0}} \inf_{\mathbf{x}} L \left( \mathbf{x}, \mathbf{\lambda} \right) = \inf_{x} \sup_{\mathbf{\lambda}\succeq \mathbf{0}} L \left( \mathbf{x}, \mathbf{\lambda} \right) λ0supxinfL(x,λ)=xinfλ0supL(x,λ)
这里可以推广一下

[!note] max-min inequality
f : Z × W → R f: Z \times W \to \mathbb{R} f:Z×WR,有
sup ⁡ z ∈ Z inf ⁡ w ∈ W f ( z , w ) ≤ inf ⁡ w ∈ W sup ⁡ z ∈ Z f ( z , w ) \sup_{z \in Z} \inf_{w \in W} f \left( z, w \right) \le \inf_{w \in W} \sup_{z \in Z} f \left( z, w \right) zZsupwWinff(z,w)wWinfzZsupf(z,w)
证明:
g ( z ) = inf ⁡ w ∈ W f ( z , w ) , h ( w ) = sup ⁡ z ∈ Z f ( z , w ) g \left( z \right)= \inf_{w \in W} f \left( z,w \right), h \left( w \right)= \sup_{z \in Z} f \left( z, w \right) g(z)=infwWf(z,w),h(w)=supzZf(z,w)
∀ z ∈ Z , g ( z ) ≤ f ( z , w ) \forall z \in Z, g\left(z \right) \le f \left(z, w\right) zZ,g(z)f(z,w)
∀ w ∈ W , f ( z , w ) ≤ h ( w ) \forall w \in W, f \left(z, w\right) \le h\left( w \right) wW,f(z,w)h(w)
因此 ∀ z ∈ Z , w ∈ W \forall z \in Z, w \in W zZ,wW,有 g ( z ) ≤ f ( z , w ) ≤ h ( w ) g\left(z \right) \le f \left(z, w\right) \le h\left( w \right) g(z)f(z,w)h(w)
进而 ∀ w ∈ W , sup ⁡ z ∈ Z g ( z ) ≤ h ( w ) \forall w \in W, \sup_{z\in Z} g \left( z \right) \le h \left( w \right) wW,supzZg(z)h(w)
于是 ∀ w ∈ W , sup ⁡ z ∈ Z g ( z ) ≤ inf ⁡ w ∈ W h ( w ) \forall w \in W, \sup_{z\in Z} g \left( z \right) \le \inf_{w \in W}h \left( w \right) wW,supzZg(z)infwWh(w)
最后就得到了
sup ⁡ z ∈ Z inf ⁡ w ∈ W f ( z , w ) ≤ inf ⁡ w ∈ W sup ⁡ z ∈ Z f ( z , w ) \sup_{z \in Z} \inf_{w \in W} f \left( z, w \right) \le \inf_{w \in W} \sup_{z \in Z} f \left( z, w \right) zZsupwWinff(z,w)wWinfzZsupf(z,w)

鞍点解释

对于 w ~ ∈ W , z ~ ∈ Z \tilde{w} \in W, \tilde{z} \in Z w~W,z~Z,如果
f ( w ~ , z ) ≤ f ( w ~ , z ~ ) ≤ f ( w , z ~ ) f \left( \tilde{w}, z \right) \le f \left( \tilde{w}, \tilde{z} \right) \le f \left( w, \tilde{z} \right) f(w~,z)f(w~,z~)f(w,z~)
则称 ( w ~ , z ~ ) \left( \tilde{w}, \tilde{z} \right) (w~,z~)为鞍点

换句话说,如果找到了 L L L的鞍点,就找到了原问题的最优解和对偶问题的最优解,反之亦然

参考:
Boyd, S., et al. (2004). Convex optimization, Cambridge university press.

本文来自互联网用户投稿,该文观点仅代表作者本人,不代表本站立场。本站仅提供信息存储空间服务,不拥有所有权,不承担相关法律责任。如若转载,请注明出处:http://www.mzph.cn/news/615368.shtml

如若内容造成侵权/违法违规/事实不符,请联系多彩编程网进行投诉反馈email:809451989@qq.com,一经查实,立即删除!

相关文章

基于人脸识别的智慧校园方案—校内区域智能管理(2)

实验室人脸识别 实验是教师、学生和科研人员进行教学和科学研究的重要场地,也是学校教务管理中的重要组成部分,高校实验室管理质量直接影响教学科研工作质量。 随着在校学生的日益增多,实验室资源如何分配利用、实验室设施安全如何保障也成为一大难题。运用智能管理系统开…

windows安装Elasticsearch后使用ik分词器报错解决办法

最近在学习Elasticsearch&#xff0c;安装完成后下载了ik分词器压缩到plugins目录下启动es报错如下&#xff1a; java.security.AccessControlException: access denied (“java.io.FilePermission” “D:…\plugins\ik-analyzer\config\IKAnalyzer.cfg.xml” “read”)咋一看…

外贸建站主机哪个好?海洋建站系统怎么样?

外贸建站主机的选择攻略&#xff1f;搭建电商网站用哪个主机好&#xff1f; 要在互联网上建立一个成功的外贸网站&#xff0c;选择一款稳定可靠的外贸建站主机是至关重要的一环。海洋建站将探讨在众多选择中&#xff0c;如何寻找一款适合自己业务需求的外贸建站主机。 外贸建…

PCF8563转STM32 RTC避坑指南

问题一&#xff0c;时间读取错误 原因&#xff0c;读写时间必须Time在前&#xff0c;Date在后 HAL_RTC_GetTime(&hrtc, &time, RTC_FORMAT_BCD); HAL_RTC_GetDate(&hrtc, &date, RTC_FORMAT_BCD); HAL_RTC_SetTime(&hrtc, &time, RTC_FORMAT_BCD); …

【AI视野·今日Sound 声学论文速览 第四十四期】Tue, 9 Jan 2024

AI视野今日CS.Sound 声学论文速览 Tue, 9 Jan 2024 Totally 27 papers &#x1f449;上期速览✈更多精彩请移步主页 Daily Sound Papers DJCM: A Deep Joint Cascade Model for Singing Voice Separation and Vocal Pitch Estimation Authors Haojie Wei, Xueke Cao, Wenbo Xu…

【深度学习 | 风格迁移】神经网络风格迁移,原理详解附详细案例源码

&#x1f935;‍♂️ 个人主页: AI_magician &#x1f4e1;主页地址&#xff1a; 作者简介&#xff1a;CSDN内容合伙人&#xff0c;全栈领域优质创作者。 &#x1f468;‍&#x1f4bb;景愿&#xff1a;旨在于能和更多的热爱计算机的伙伴一起成长&#xff01;&#xff01;&…

【Linux】Linux 系统编程——相对路径和绝对路径

文章目录 概述绝对路径相对路径绝对路径的作用相对路径的作用系统是怎么通过相对路径定位文件的&#xff1f; 概述 相对路径和绝对路径是文件系统中定位文件和目录的两种主要方法。它们的主要区别在于如何引用文件的位置。 绝对路径 定义: 绝对路径是从文件系统的根目录&…

我国实施个人信息出境认证的要点

文章目录 前言一、个人信息保护认证与个人信息出境认证的关系二、欧盟提供了个人信息出境认证的制度先例(一)欧盟立法规定了认证制度是数据出境方式之一(二)欧盟设计完整的数据安全认证机制(三)欧盟内承认多种数据安全认证制度并存(四)欧盟数据安全认证主题多样化(五)…

yolov8 瑞芯微 RKNN 的 C++部署,部署工程难度小、模型推理速度快

之前写过两次yolov8目标检测部署&#xff0c;后续继续思考&#xff0c;针对部署还有优化空间&#xff0c;本示例的部署方式优化了部署难度&#xff0c;加快了模型推理速度&#xff08;略微增加了后处理的时耗&#xff09;。 特别说明&#xff1a;如有侵权告知删除&#xff0c;…

麒麟OS + DM8数据库(Graalvm for JDK17) 测试

1、添加依赖 implementation com.dameng:DmJdbcDriver18:8.1.3.62 implementation com.baomidou:mybatis-plus-boot-starter:3.5.4 2、application.yml 数据源配置 spring: datasource: driver-class-name: dm.jdbc.driver.DmDriver #com.mysql.cj.jdbc.Driver url: jdbc:d…

【linux】linux中硬链接和符号链接的区别

在Linux系统中&#xff0c;硬链接&#xff08;Hard Link&#xff09;和符号链接&#xff08;Symbolic Link&#xff0c;也称为软链接&#xff09;是两种不同类型的文件链接方式&#xff0c;它们的主要区别如下&#xff1a; 硬链接&#xff08;Hard Link&#xff09;&#xff1a…

高效微调大型预训练模型的Prompt Learning方法

目录 前言1 prompt learning简介2 prompt learning步骤2.1 选择模型2.2 选择模板&#xff08;Template&#xff09;2.3 Verbalizer的构建 3 Prompt Learning训练策略3.1 Prompting组织数据&#xff0c;优化参数3.2 增加Soft Prompts&#xff0c;冻结模型&#xff0c;优化Prompt…

【2023年度总结与2024展望】---23年故事不长,且听我来讲

文章目录 前言一、学习方面1.1 攥写博客1.2 学习内容1.3 参加比赛获得证书 二、生活方面2.1写周报记录生活 三、运动方面四、CSDN的鼓励五、24年展望总结 前言 时光飞逝&#xff0c;又是新的一年&#xff0c;遥想去年2023年我也同样在这个时间段参加了CSDN举办的年度总结活动&a…

react全家桶

1、create-react-app npx create-react-app web --template typescript 2、axios npm i axios 3、antd官网 npm install antd --save 4、react路由 npm i react-router-dom 5、use-immer npm install use-immer 6、sass、sass-loader、sass-resources-loader np…

PDF结构详解

文章目录 介绍前言高保真的文件什么是PDF&#xff1f;PDF的一些优点版本摘要谁在使用PDF&#xff1f;有用的免费软件谁应该阅读 构建一个简单PDF文件基本PDF语法File StructureDocument ContentPage Content 构建简单PDF文件头目录&#xff0c;交叉引用表和文件尾主要对象图形内…

0基础学习VR全景平台篇第137篇:720VR全景,DJI无人机遥控器调参

上课&#xff01;全体起立~ 大家好&#xff0c;欢迎观看蛙色官方系列全景摄影课程&#xff01; 这节课以御2为例 介绍的是无人机调参 步骤一&#xff1a;下载DJI Go 4并注册账号 步骤二&#xff1a;拿下遥杆并装好&#xff0c;展开遥控天线。将无人机与遥控器相连&#xff…

【AI视野·今日Sound 声学论文速览 第四十三期】Mon, 8 Jan 2024

AI视野今日CS.Sound 声学论文速览 Mon, 8 Jan 2024 Totally 6 papers &#x1f449;上期速览✈更多精彩请移步主页 Daily Sound Papers MusicAOG: an Energy-Based Model for Learning and Sampling a Hierarchical Representation of Symbolic Music Authors Yikai Qian, Tia…

OpenHarmony4.0Release系统应用常见问题FAQ

前言 自OpenHarmony4.0Release发布之后&#xff0c;许多小伙伴使用了配套的系统应用源码以及IDE作为基线开发&#xff0c;也遇到了各种各样的问题&#xff0c;这篇文档主要收录了比较常见的一些问题解答。 FAQ 系统应用源码在哪 目前OpenHarmony系统应用分为3种模式&#x…

九州金榜|为什么本科生“回炉”读职校?

近年来&#xff0c;“本科学历&#xff0b;技能证书”成为不少大学毕业生求职时的配置&#xff0c;本科毕业生“回炉”职业院校学习技能的现象引发社会关注。 为什么会引发这种现象发生呢&#xff1f;现在学校教育学的是理论知识&#xff0c;而“回炉”确实学习的实操&#xff…

065:vue中将一维对象数组转换为二维对象数组

第065个 查看专栏目录: VUE ------ element UI 专栏目标 在vue和element UI联合技术栈的操控下&#xff0c;本专栏提供行之有效的源代码示例和信息点介绍&#xff0c;做到灵活运用。 &#xff08;1&#xff09;提供vue2的一些基本操作&#xff1a;安装、引用&#xff0c;模板使…