運籌優化(十一)--無約束非線性規劃

Eason.wxd發表於2019-01-18

這個系列將非線性規劃是以“不是什麼“定義的,也就是說,之前的線性規劃模型使用連續決策變數,線性約束和線性目標函式,而非線性規劃涵蓋了所有其他單目標,連續決策變數的規劃模型。意味著,非線性規劃有許多不同的形式和演算法。其中,有的有模型約束,有的則只有目標函式。在許多模型中,微積分能夠得到可以利用的導數,有的則可能根本不存在導數。

無約束的非線性規劃

在無約束優化中,線性規劃的目標函式無界,而非線性規劃可能存在有界的最優解。

最常見的無約束非線性規劃問題,有曲線擬合或迴歸問題。你需要擬合出一條曲線模型儘可能的減少目標誤差。另外比較常見的應用是,估計概率分佈,你需要刻畫資料的分佈函式。當然,你可以基於改進搜尋的思路,不斷迭代尋找靠近(減小或者增大)目標值,從而找到最優解,也可以利用導數資訊(如果存在的話),尋找最優解。導數資訊,我們可以利用一階導(如SGD),也可以利用二階導(如海森矩陣)。這方面的資料很多,基本上深度學習的訓練,就是從一階導(梯度)資訊的維度出發,從搜尋策略(各種優化演算法改進,手動/自適應)角度提升尋優效果。另外,還有像牛頓法,擬牛頓法這種基於二階導數資訊的搜尋最優化演算法。注意:實際上這一部分,在機器學習、深度學習理論領域,用的很多,這裡不提是因為之前有整理過這塊的內容。

相關文章