最优化原理与方法之(一)开篇
文章目录
- 1 引言
- 2 定义
- 3 划分
1 引言
最优化理论与方法是一门应用性很强的年轻学科,本质上它是研究某些数学上定义的问题的最优解,即对于给出的实际问题,从众多的方案中选出最优方案。
虽然最优化可以追溯到十分古老的求极值的问题。但是,它称为一门独立的学科是在十九世纪的40年代末,即在1947年Dantzig提出求解一般线性规划问题的单纯形法之后。现在,解线性规划、非线性规划、随机规划、非光滑规划、多目标规划等最优化问题的理论研究发展迅猛,新的方法不断出现,并且实际应用日新月异。尤其是在互联网软件技术的推动下,最优化里面在机器学习与深度学习领域发挥巨大的作用,称为一门十分活跃的热门的学科。
但是这门学科亦属于多学科的交叉领域,是多个领域的集大成者的强强组合。
2 定义
最优化问题的一般形式为
m i n f ( x ) min \, f(x) minf(x)
s . t . x ∈ X s_{.}t_{.} x \in X s.t.x∈X
其中 x ∈ R n x \in R^{n} x∈Rn是决策变量, f ( x ) f(x) f(x)为目标函数, X ⊂ R n X \subset R^{n} X⊂Rn为约束集或可行域。
- 无约束最优化问题
如果约束集 X = R n X = R^{n} X=Rn,则最优化问题称为无约束最优化问题。公式如下
min x ∈ R n f ( x ) \min\limits_{x \in R^n} \, f(x) x∈Rnminf(x)
- 有约束最优化问题
约束最优化问题通常写为,这里的E和I分别是等式约束和不等式约束的指标集, C i ( x ) C_i(x) Ci(x)是约束函数。
m i n f ( x ) min \, f(x) minf(x)
s . t . C i ( x ) = 0 , i ∈ E , s_{.}t_{.} \;\;\; C_i(x) =0, \;\; i\in E, s.t.Ci(x)=0,i∈E,
s . t . C i ( x ) > = 0 , i ∈ I , s_{.}t_{.} \;\;\; C_i(x) >= 0, \;\; i\in I, s.t.Ci(x)>=0,i∈I,
3 划分
-
根据函数的性质划分:
- 线性划分:当目标函数和约束函数为线性函数的时候,问题是线性规划。
- 非线性划分:当目标函数和约束函数中至少有一个是变量x的非线性函数的时候,问题是非线性规划。
- 二次规划:若目标函数是二次函数,约束函数是线性函数
-
根据可行域(约束集)的性质划分:
- 若可行域内点的个数是有限的时候,则称问题为离散最优化问题。
- 若变量为整数,则称其为整数规划问题。
- 若部分变量是整数,而另外一部分变量是连续变化,则称其为混合整数规划问题。
- 若可行域内点的个数是无穷的时候,则称问题为连续最优化问题。
- 若可行域内点的个数是有限的时候,则称问题为离散最优化问题。
-
根据函数的向量性质划分:
- 若目标函数为向量函数,则称问题为多目标规划问题。
- 若目标函数为数量函数,则称问题为单目标规划问题。
-
根据规划问题有关信息的确定性划分:
- 若目标函数或约束函数具有随机性,也就是说问题的表述形式随着时间的变化而变化,具备不确定性,则这样的优化问题称为随机优化。
- 如果优化问题的变量(函数)具有模糊性,则这样的优化问题为模糊优化。
- 如果目标函数和约束函数都是确定的,则这样的优化问题称为确定性规划问题。
但为君故shy: 那么fedsgd性能好还是fedavg性能好呢
weixin_45806011: 写的太好了
Momojijl: fedAvg的聚合参数流程是不是错了
qq_41624420: 引用「Bob生成一个随机数R,并用收到的两个公钥之一加密随机数R,用哪个秘钥取决于Bob想获取M0还是M1」 这个R相当于Bob的密钥。以Bob想要得到消息M0为例: Bob使用PUk0加密R得到的R’发送给Alice。 Alice在不知道R‘具体的加密密钥情况下使用两个私钥分别解密R'得到的D0和D1,这时D0=R,D1就变成了双重加密后的密文。这两个D叫做盲化因子,因为Alice不知道哪个是明文的R,对Alice是未知的。 此时两个盲化因子分别对消息消息盲化(E0=M0⊕D0=M0⊕R,E1=M1⊕D1)并发送给Bob Bob使用R对E0做异或即可得到想要的M0(因为R=D0) D0、D1、E0和E1对于Alice来说是同等地位,都是密文。整个过程Alice不知道Bob想要的消息是哪一个。
weixin_47721567: 非常感谢博主的一系列白话机器学习文章 看完感觉思路清楚了很多