جلسه ۱ بهینهسازی محدب
جمعه, ۲۷ اسفند ۱۳۹۵، ۰۷:۲۹ ب.ظ
http://stanford.edu/class/ee364a/lectures/intro.pdf
اگر یک تابع محدب داشته باشیم که قیدهای محدب داشته باشد میشود در زمان ماکسیمم n^3, n^2 * m, F حلش کرد که F زمان محاسبهی مشتق اول و دوم تابع است.
اگر یک تابع محدب داشته باشیم که قیدهای محدب داشته باشد میشود در زمان ماکسیمم n^3, n^2 * m, F حلش کرد که F زمان محاسبهی مشتق اول و دوم تابع است.
یکی از مسئلههای معروف، کمینه کردن مجموع مربعات است.
راه حلهای مختلفی برای یک مسئله از نوع کمینه کردن یک قدر مطلق گفته بود:
- میدانیم که کمینه جایی رخ میدهد که همه با هم برابر باشند.
- به توان ۲ رسانده بود و تبدیل به مسئلهی کمینه کردن مربعات کرده بود. برای حالتی که قیدها نقض میشدند هم به نزدیکترین مقدار معتبر رند کرده بود. (؟)
- از نسخهی وزندار کمینه کردن مربعات استفاده کرده بود. تابع هدف را به توان ۲ رسانده بود. قیدهایی که به شکل یک طرف صفر در آورده بود و به توان ۲ رسانده بود در یک ضریب متفاوت برای هر متغیر ضرب کرده بود و با تابع هدف جمع کرده بود. گفته بود مقدار ضریب را طوری تغییر بدهید که جواب در بازهی مجاز بیفتد. https://en.wikipedia.org/wiki/Lagrangian_relaxation
- قدر مطلق را جدا کرده بود و با LP حل کرده بود!
- بهینهسازی محدب.
کوییزش: http://stanford.edu/class/ee364a/quizzes/intro.html
۹۵/۱۲/۲۷