凸 とつ 最適 さいてき 化 か (とつさいてきか)とは最適 さいてき 化 か 問題 もんだい の分野 ぶんや のひとつで、凸 とつ 集合 しゅうごう 上 うえ の凸 とつ 関数 かんすう の最小 さいしょう 化 か 問題 もんだい である。
凸 とつ 最小 さいしょう 化 か 問題 もんだい は一般 いっぱん 的 てき な最適 さいてき 化 か 問題 もんだい よりも簡単 かんたん に最適 さいてき 化 か が可能 かのう であり、局所 きょくしょ 的 てき な最小 さいしょう 値 ち が大域 たいいき 的 てき な最小 さいしょう 値 ち と一致 いっち する性質 せいしつ をもつ。
実 み ベクトル空間 くうかん
X
{\displaystyle X}
上 うえ の実 じつ 数値 すうち 凸 とつ 関数 かんすう
f
:
X
→
R
{\displaystyle f:{\mathcal {X}}\to \mathbb {R} }
が
X
{\displaystyle X}
の凸 とつ 部分 ぶぶん 集合 しゅうごう
X
{\displaystyle {\mathcal {X}}}
上 うえ で定義 ていぎ される。
凸 とつ 最適 さいてき 化 か 問題 もんだい とは
f
(
x
)
{\displaystyle f(x)}
の最小 さいしょう 値 ち となる
X
{\displaystyle {\mathcal {X}}}
上 うえ の点 てん
x
∗
{\displaystyle x^{\ast }}
を見 み つけることである。
すなわち
x
∗
{\displaystyle x^{\ast }}
は
f
(
x
∗
)
≤
f
(
x
)
{\displaystyle f(x^{\ast })\leq f(x)}
for all
x
∈
X
{\displaystyle x\in {\mathcal {X}}}
.
である。
凸 とつ 最適 さいてき 化 か 問題 もんだい [ 編集 へんしゅう ]
X
{\displaystyle {\mathcal {X}}}
上 うえ の
x
∗
{\displaystyle x^{\ast }}
を見 み つける最適 さいてき 化 か 問題 もんだい である。
f
(
x
∗
)
=
min
{
f
(
x
)
:
x
∈
X
}
,
{\displaystyle f(x^{\ast })=\min\{f(x):x\in {\mathcal {X}}\},}
ここで
X
⊂
R
n
{\displaystyle {\mathcal {X}}\subset \mathbb {R} ^{n}}
は実現 じつげん 可能 かのう 集合 しゅうごう で、
f
(
x
)
:
R
n
→
R
{\displaystyle f(x):\mathbb {R} ^{n}\rightarrow \mathbb {R} }
は目的 もくてき 関数 かんすう である。
X
{\displaystyle {\mathcal {X}}}
が閉凸集合 しゅうごう で、
R
n
{\displaystyle \mathbb {R} ^{n}}
上 うえ で
f
(
x
)
{\displaystyle f(x)}
が凸 とつ 関数 かんすう であれば、これを凸 とつ 最適 さいてき 化 か 問題 もんだい という。
以上 いじょう は数学 すうがく 的 てき に一般 いっぱん 化 か された定義 ていぎ であるが、この問題 もんだい が実際 じっさい に提示 ていじ される場面 ばめん において
X
⊆
R
2
{\displaystyle {\mathcal {X}}\subseteq \mathbb {R^{2}} }
は具体 ぐたい 的 てき な形 かたち で表現 ひょうげん されることが多 おお い。よくある例 れい として、与 あた えられた凸 とつ 関数 かんすう
g
i
(
x
)
:
i
=
1
,
…
,
m
{\displaystyle g_{i}(x):i=1,\dots ,m}
を用 もち いて以下 いか のように連立 れんりつ 不等式 ふとうしき をみたす集合 しゅうごう として定義 ていぎ される:
X
:=
{
x
∈
R
n
:
g
i
(
x
)
≤
0
,
i
=
1
,
…
,
m
}
{\displaystyle {\mathcal {X}}:=\{x\in \mathbb {R^{n}} :g_{i}(x)\leq 0,i=1,\dots ,m\}}
こういった事情 じじょう を踏 ふ まえて以下 いか のような定義 ていぎ が与 あた えられることもある:
minimize
f
(
x
)
s
u
b
j
e
c
t
t
o
g
i
(
x
)
≤
0
,
i
=
1
,
…
,
m
{\displaystyle {\begin{aligned}&\operatorname {minimize} &&f(x)\\&\operatorname {subject\;to} &&g_{i}(x)\leq 0,\quad i=1,\dots ,m\end{aligned}}}
ここで、関数 かんすう
f
,
g
1
…
g
m
:
R
n
→
R
{\displaystyle f,g_{1}\ldots g_{m}:\mathbb {R} ^{n}\rightarrow \mathbb {R} }
は凸 とつ である。
凸 とつ 最適 さいてき 化 か 問題 もんだい において以下 いか の命題 めいだい は真 しん である。
極小 きょくしょう 値 ち が存在 そんざい すれば大域 たいいき 的 てき 最小 さいしょう 値 ち である
すべての(大域 たいいき 的 てき )最小 さいしょう 値 ち の集合 しゅうごう は凸 とつ である
強 つよ 凸 とつ 関数 かんすう であり関数 かんすう が最小 さいしょう 値 ち を持 も てば、一意 いちい に決 き まる
ヒルベルト射影 しゃえい 理論 りろん 、分離 ぶんり 超 ちょう 平面 へいめん 理論 りろん 、Farkasの補題 ほだい などの関数 かんすう 解析 かいせき (ヒルベルト空間 くうかん 上 うえ の)とも関係 かんけい している。
標準 ひょうじゅん 形 がた は凸 とつ 最小 さいしょう 化 か 問題 もんだい をよく使用 しよう される直感 ちょっかん 的 てき な形式 けいしき で表現 ひょうげん する。
3つの部分 ぶぶん で成 な り立 た つ。
凸 とつ 関数 かんすう
f
(
x
)
:
R
n
→
R
{\displaystyle f(x):\mathbb {R} ^{n}\to \mathbb {R} }
x
{\displaystyle x}
に関 かん して最小 さいしょう 化 か される。
不等式 ふとうしき 制約 せいやく
g
i
(
x
)
≤
0
{\displaystyle g_{i}(x)\leq 0}
。ここで関数 かんすう
g
i
{\displaystyle g_{i}}
は凸 とつ である。
等式 とうしき 制約 せいやく
h
j
(
x
)
=
0
{\displaystyle h_{j}(x)=0}
関数 かんすう
h
j
{\displaystyle h_{j}}
はアフィン変換 へんかん 、すなわち線形 せんけい 関数 かんすう 。
実際 じっさい には線形 せんけい 制約 せいやく とアフィンな制約 せいやく はよく使用 しよう される。
これらの形式 けいしき は
h
j
(
x
)
=
a
j
T
x
+
b
j
{\displaystyle h_{j}(x)=a_{j}^{T}x+b_{j}}
と表 あらわ せられる。
ここで、
a
j
{\displaystyle a_{j}}
は列 れつ ベクトル、
b
j
{\displaystyle b_{j}}
は実数 じっすう である。
凸 とつ 最小 さいしょう 化 か 問題 もんだい は以下 いか のように表 あらわ される
minimize
x
f
(
x
)
s
u
b
j
e
c
t
t
o
g
i
(
x
)
≤
0
,
i
=
1
,
…
,
m
h
j
(
x
)
=
0
,
j
=
1
,
…
,
p
.
{\displaystyle {\begin{aligned}&{\underset {x}{\operatorname {minimize} }}&&f(x)\\&\operatorname {subject\;to} &&g_{i}(x)\leq 0,\quad i=1,\dots ,m\\&&&h_{j}(x)=0,\quad j=1,\dots ,p.\end{aligned}}}
等式 とうしき 制約 せいやく
h
(
x
)
=
0
{\displaystyle h(x)=0}
は2つの
不等式 ふとうしき 制約 せいやく
h
(
x
)
≤
0
{\displaystyle h(x)\leq 0}
と
−
h
(
x
)
≤
0
{\displaystyle -h(x)\leq 0}
を用 もち いて置 お き換 か えることができる。
そのため等式 とうしき 制約 せいやく は理論 りろん 的 てき には冗長 じょうちょう であるが実際 じっさい 上 じょう の利点 りてん のため使用 しよう される。
これらのことから、なぜ
h
j
(
x
)
=
0
{\displaystyle h_{j}(x)=0}
が単 たん に凸 とつ であるのではなくアフィンであるのかが容易 ようい に理解 りかい できる。
h
j
(
x
)
{\displaystyle h_{j}(x)}
を凸 とつ とすると
h
j
(
x
)
≤
0
{\displaystyle h_{j}(x)\leq 0}
は凸 とつ であるが
−
h
j
(
x
)
≤
0
{\displaystyle -h_{j}(x)\leq 0}
は凹となる。
そのため
h
j
(
x
)
=
0
{\displaystyle h_{j}(x)=0}
が凸 とつ となるための条件 じょうけん が
h
j
(
x
)
{\displaystyle h_{j}(x)}
がアフィンであることである。
以下 いか で示 しめ す例 れい はすべて凸 とつ 最小 さいしょう 化 か 問題 もんだい であるか、変数 へんすう 変換 へんかん により凸 とつ 最小 さいしょう 化 か 問題 もんだい にできる問題 もんだい である。
ラグランジュの未定 みてい 乗数 じょうすう 法 ほう [ 編集 へんしゅう ]
標準 ひょうじゅん 形 がた に表 あらわ された凸 とつ 最小 さいしょう 化 か 問題 もんだい を考 かんが える。
コスト関数 かんすう を
f
(
x
)
{\displaystyle f(x)}
、
不等式 ふとうしき 制約 せいやく を
g
i
(
x
)
≤
0
(
i
=
1
…
m
)
{\displaystyle g_{i}(x)\leq 0(i=1\ldots m)}
とすると、定義 ていぎ 域 いき
X
{\displaystyle {\mathcal {X}}}
は
X
=
{
x
∈
X
|
g
1
(
x
)
≤
0
,
…
,
g
m
(
x
)
≤
0
}
.
{\displaystyle {\mathcal {X}}=\left\lbrace {x\in X\vert g_{1}(x)\leq 0,\ldots ,g_{m}(x)\leq 0}\right\rbrace .}
この問題 もんだい に対 たい するラグランジュ関数 かんすう は
L (x ,λ らむだ 0 ,...,λ らむだ m ) = λ らむだ 0 f (x ) + λ らむだ 1 g 1 (x ) + ... + λ らむだ m g m (x ).
X 上 うえ の関数 かんすう f を最小 さいしょう 化 か するX 上 うえ の点 てん x に関 かん して
実 じつ 数値 すうち のラグランジュ係数 けいすう λ らむだ 0 , ..., λ らむだ m が存在 そんざい し、
以下 いか を満 み たす。
X 上 うえ のすべての変数 へんすう に関 かん してx はL (y , λ らむだ 0 , λ らむだ 1 , ..., λ らむだ m ) を最小 さいしょう 化 か する
λ らむだ 0 ≥ 0, λ らむだ 1 ≥ 0, ..., λ らむだ m ≥ 0, 少 すく なくともひとつは λ らむだ k >0,
λ らむだ 1 g 1 (x ) = 0, ..., λ らむだ m g m (x ) = 0 (相補 そうほ スラック性 せい ).
凸 とつ 最小 さいしょう 化 か 問題 もんだい は以下 いか の方法 ほうほう を用 もち いて解 と くことが可能 かのう である。
その他 た の手法 しゅほう
劣 れつ 勾配 こうばい 法 ほう は簡単 かんたん に実装 じっそう でき多 おお くの適応 てきおう 例 れい がある。
双対 そうつい 劣 れつ 勾配 こうばい 法 ほう は劣 れつ 勾配 こうばい 法 ほう を双対 そうつい 問題 もんだい に適応 てきおう した方法 ほうほう である。
ドリフトプラスペナルティー法 ほう は双対 そうつい 劣 れつ 勾配 こうばい 法 ほう と類似 るいじ しているが、
主 しゅ 変数 へんすう に関 かん して時間 じかん 平均 へいきん をとっている点 てん が異 こと なる。
凸 とつ 最小 さいしょう 化 か が難 むずか しい場合 ばあい : 自己 じこ 調和 ちょうわ 障壁 しょうへき [ 編集 へんしゅう ]
凸 とつ 最適 さいてき 化 か 問題 もんだい にクラスによっては更新 こうしん 法 ほう の効率 こうりつ は悪 わる いものがある。
それはクラスには多 おお くの関数 かんすう と劣 れつ 勾配 こうばい を評価 ひょうか しなければ
精確 せいかく に最小 さいしょう 値 ち を得 え られない問題 もんだい を含 ふく んでいるからである。
この問題 もんだい はArkadi Nemirovskiiによって議論 ぎろん されている。
そのため実用 じつよう 上 じょう の効率 こうりつ を求 もと めるには問題 もんだい のクラスにさらに制約 せいやく を加 くわ える必要 ひつよう がある。
2つの障壁 しょうへき 関数 かんすう 法 ほう の方法 ほうほう がある。
1つはNesterovとNemirovskiiによる自己 じこ 調和 ちょうわ (self-concordant)障壁 しょうへき 関数 かんすう 、
もう1つはTerlakyらによる自己 じこ 正規 せいき 障壁 しょうへき 関数 かんすう である。
準 じゅん 凸 とつ 最小 さいしょう 化 か [ 編集 へんしゅう ]
凸 とつ のレベル集合 しゅうごう をもつ問題 もんだい は理論 りろん 上 じょう は効率 こうりつ 的 てき に最小 さいしょう 化 か できる。
Yuri Nesterovは準 じゅん 凸 とつ 最小 さいしょう 化 か 問題 もんだい を効率 こうりつ 的 てき に解 と けることを証明 しょうめい した。
これの結果 けっか はKiwielによって拡張 かくちょう された。
計算 けいさん 複雑 ふくざつ 性 せい の理論 りろん の中 なか では、準 じゅん 凸計画 とつけいかく 問題 もんだい と凸計画 とつけいかく 問題 もんだい は問題 もんだい の次元 じげん に対 たい して
多項式 たこうしき 時間 じかん で解 と くことが可能 かのう である。
Yuri Nesterovが最初 さいしょ に準 じゅん 凸 とつ 最小 さいしょう 化 か 問題 もんだい を効率 こうりつ 的 てき に解 と くことが可能 かのう であることを示 しめ した。
しかし、この理論 りろん 的 てき に効率 こうりつ 的 てき な方法 ほうほう は発散 はっさん する数列 すうれつ をステップサイズに用 もち いていた。
これは古典 こてん 的 てき な劣 れつ 勾配 こうばい 法 ほう の開発 かいはつ に使 つか われていた。
発散 はっさん 数列 すうれつ を用 もち いる古典 こてん 的 てき な劣 れつ 勾配 こうばい 法 ほう は、劣 れつ 勾配 こうばい 射影 しゃえい 法 ほう 、勾配 こうばい バンドル法 ほう 、非 ひ 平滑 へいかつ フィルタ法 ほう など
の現代 げんだい 的 てき な凸 とつ 最小 さいしょう 化 か 法 ほう よりかなり遅 おそ いことが知 し られている。
凸 とつ に近 ちか いが非 ひ 凸 とつ の関数 かんすう の問題 もんだい は計算 けいさん 困難 こんなん である。
Ivanovの結果 けっか によれば関数 かんすう が滑 なめ らかさあっても単 たん 峰 みね の関数 かんすう を最小 さいしょう 化 か することは難 むずか しい。
正 せい 無限 むげん を含 ふく むように凸 とつ 関数 かんすう を拡張 かくちょう できる。たとえば、指標 しひょう 関数 かんすう は
x
∈
X
{\displaystyle x\in {\mathcal {X}}}
を満 み たす領域 りょういき では
0
{\displaystyle 0}
をもち、その他 た は正 せい 無限 むげん である。
凸 とつ 関数 かんすう の拡張 かくちょう には擬似 ぎじ 凸 とつ 関数 かんすう と準 じゅん 凸 とつ 関数 かんすう を含 ふく む。
凸 とつ 解析 かいせき と更新 こうしん 法 ほう の部分 ぶぶん 的 てき な拡張 かくちょう は
非 ひ 凸 とつ 最小 さいしょう 化 か 問題 もんだい に対 たい する近似 きんじ 解法 かいほう として一般 いっぱん 化 か された凸 とつ 性 せい の中 なか で考 かんが えられている。
Bertsekas, Dimitri (2003). Convex Analysis and Optimization . Athena Scientific
Boyd, Stephen P.; Vandenberghe, Lieven (2004) (pdf). Convex Optimization . Cambridge University Press. ISBN 978-0-521-83378-3 . http://www.stanford.edu/~boyd/cvxbook/bv_cvxbook.pdf 2011年 ねん 10月 がつ 15日 にち 閲覧 えつらん 。
Borwein, Jonathan , and Lewis, Adrian. (2000). Convex Analysis and Nonlinear Optimization . Springer.
Hiriart-Urruty, Jean-Baptiste, and Lemaréchal, Claude . (2004). Fundamentals of Convex analysis . Berlin: Springer.
Hiriart-Urruty, Jean-Baptiste; Lemaréchal, Claude (1993). Convex analysis and minimization algorithms, Volume I: Fundamentals . Grundlehren der Mathematischen Wissenschaften [Fundamental Principles of Mathematical Sciences]. 305 . Berlin: Springer-Verlag. pp. xviii+417. ISBN 3-540-56850-6
Hiriart-Urruty, Jean-Baptiste; Lemaréchal, Claude (1993). Convex analysis and minimization algorithms, Volume II: Advanced theory and bundle methods . Grundlehren der Mathematischen Wissenschaften [Fundamental Principles of Mathematical Sciences]. 306 . Berlin: Springer-Verlag. pp. xviii+346. ISBN 3-540-56852-2 . MR 1295240
Kiwiel, Krzysztof C. (1985). Methods of Descent for Nondifferentiable Optimization . Lecture Notes in Mathematics. New York: Springer-Verlag. ISBN 978-3540156420
Lemaréchal, Claude (2001). “Lagrangian relaxation”. In Michael Jünger and Denis Naddef. Computational combinatorial optimization: Papers from the Spring School held in Schloß Dagstuhl, May 15–19, 2000 . Lecture Notes in Computer Science. 2241 . Berlin: Springer-Verlag. pp. 112–156. doi :10.1007/3-540-45586-8_4 . ISBN 3-540-42877-1 . MR 1900016
Nesterov, Y. and Nemirovsky, A. (1994). Interior Point Polynomial Methods in Convex Programming. SIAM
Nesterov, Yurii. (2004). Introductory Lectures on Convex Optimization , Kluwer Academic Publishers
Rockafellar, R. T. (1970). Convex analysis . Princeton: Princeton University Press
Ruszczyński, Andrzej (2006). Nonlinear Optimization . Princeton University Press