正定矩阵与凸优化
凸优化相关
1 凸优化问题的定义:¶
目标函数是凸函数,优化变量的可行域是凸集,这样的问题称为凸优化问题。
凸优化一定有全局最小值。
如果一个系统的hessian矩阵是正定的,那么这个系统一定有全局最小值。 如果一个系统的hessian矩阵是负定的,那么这个系统一定有全局最大值。 如果hessian矩阵不定,那么这个系统有鞍点。
2正定矩阵的判断方法¶
- 正定矩阵 Positive definite matrices
给定一个2x2矩阵 ,有四个途径判定矩阵是否正定矩阵:
- 特征值: 全部大于0
- 行列式所有子行列式大于0
- 表达式 \(x^TAx>0\)(x=0除外)。通常这就是正定的定义,而前三条是用来验证正定性的条件。 举个例子:
3 凸函数和凸集的定义¶
凸函数>=0,强凸函数>0s
4. 正定矩阵与凸优化的关系:¶
对于一个优化问题的目标函数,如果目标函数的二阶导数是半正定的,那么这个函数是凸函数。 比如二次规划问题, \(\(f(x) = \frac{1}{2}(x-x_0)^T H(x-x_0)+ g^T(x-x_0)+c\)\) $$st. Ax \leq b $$
-
对于H矩阵,如果是半正定,那么一定存在全局最小值,但是全局最小值的x可能不唯1,可能多个x或者无穷多个x都满足全局最小值。在这种情况下,优化算法可能会收敛到任意一个全局最小值或者局部最小值,而无法保证找到唯一的全局最小值。
-
如果H矩阵是正定的,那么存在唯一的全局最小值,对应唯一一个x。