Многомерная оптимизация с ограничением равенства
Википедия определяет оптимизацию как проблему, при которой вы максимизируете или минимизируете реальную функцию, систематически выбирая входные значения из разрешенного набора и вычисляя значение функции. Это означает, что когда мы говорим об оптимизации, мы всегда заинтересованы в поиске лучшего решения. Итак, предположим, что у человека есть некоторая функциональная форма (например, в форме f (x)), и он пытается найти лучшее решение для этой функциональной формы. Что значит лучше всего? Можно сказать, что он заинтересован в минимизации этой функциональной формы или в максимизации этой функциональной формы.
Как правило, задача оптимизации состоит из трех компонентов.
минимизировать f (x),
по x,
при условии a <x <b
где, f (x): целевая функция
x: переменная решения
a <x <b: ограничение
Что такое многомерная задача оптимизации?
В задаче многомерной оптимизации есть несколько переменных, которые действуют как переменные решения в задаче оптимизации.
z = f (x 1 , x 2 , x 3 … ..x n )
Итак, когда вы смотрите на эти типы проблем, общая функция z может быть некоторой нелинейной функцией переменных решения от x 1 , x 2 , x 3 до x n . Итак, есть n переменных, которыми можно манипулировать или выбирать для оптимизации этой функции z. Обратите внимание, что можно объяснить одномерную оптимизацию, используя изображения в двух измерениях, потому что в направлении x у нас было значение переменной решения, а в направлении y - значение функции. Однако, если это многомерная оптимизация, тогда мы должны использовать изображения в трех измерениях, и если переменные решения больше 2, тогда это трудно визуализировать.
Что такое многомерная оптимизация с ограничением равенства :
В математике равенство - это отношение между двумя величинами или, в более общем смысле, двумя математическими выражениями, утверждающее, что величины имеют одно и то же значение или что выражения представляют один и тот же математический объект. Итак, если задана целевая функция с более чем одной переменной решения и имеющей ограничение равенства, то это называется так.
Пример :
мин 2x 1 2 + 4x 2 2
ул
3х 1 + 2х 2 = 12
Здесь x 1 и x 2 - две переменные решения с ограничением равенства 3x 1 + 2x 2 = 12.
Условие определения оптимальной точки при условии равенства
If there is one equality constraint case then the condition is
-∇ f(x*) = λ*∇ h(x*)
If there are more than one equality constraint case then the condition is
-∇ f(x*) = Σi=1l[∇ hi(x*)] λi*
where,
f(x*) = f(x1, x2, …., xn) = Objective function
h(x*) = h(x1, x2, …., xn) = Equality constraint
λ* ∈ R
Давайте быстро решим численный пример, чтобы лучше понять эти условия.
Числовой пример:
Проблема: при условии Решение: Здесь, Целевая функция (f (x)) = а также Ограничение равенства (h (x)) = Для определения оптимальной точки мы можем записать уравнение в виде Следовательно По аналогии, По условию Это можно записать как , И у нас уже есть уравнение связи-равенства Решая эти три уравнения, мы можем получить оптимальное решение вместе со значением переменной λ. Следовательно а также это наше оптимальное решение.
Почему ограничения важны в проблеме оптимизации с точки зрения науки о данных?
Мы смотрим на оптимизацию с точки зрения науки о данных, потому что пытаемся минимизировать ошибки. Во многих случаях, когда мы пытаемся решить проблемы науки о данных и минимизировать ошибку, мы говорили, что можем использовать какой-то алгоритм на основе градиента, который мы назвали алгоритмом обучения для решения проблемы. В некоторых случаях, пытаясь свести к минимуму нашу ошибку или целевую функцию, мы можем знать некоторую информацию о проблеме, которую хотим включить в решение. Так, например, если вы пытаетесь выявить взаимосвязи между несколькими переменными и не знаете, сколько взаимосвязей существует, но вы точно знаете, что определенные взаимосвязи существуют, и вы знаете, что это за взаимосвязи, тогда, когда вы пытаетесь решить проблема науки о данных, вы бы попытались ограничить вашу проблему так, чтобы выполнялись известные отношения. Таким образом, это может создать проблему оптимизации, когда у вас есть ограничения в частности ограничения равенства, и есть несколько других случаев, когда вам, возможно, придется смотреть на версию с ограничениями, пока решает проблемы науки о данных. Итак, важно понимать, как решаются эти проблемы. Проблемы ограничения неравенства более актуальны, чем проблемы с ограничениями-равенствами, например, алгоритмы для ограничений-неравенств очень полезны в алгоритмах науки о данных, которые называются машинами опорных векторов и т. Д.