二次规划问题

序列二次规划法 求解一般线性优化问题:

12min(x)h(x)0,iE{1,...,m}s.t.(x)0,i{1,...,m}ii

f

gI

(1.1) 基本思想：在每次迭代中通过求解一个二次规划子问题来确定一个下降方向，通过减少价值函数来获取当前迭代点的移动步长，重复这些步骤直到得到原问题的解。

1.1等式约束优化问题的Lagrange-Newton法 考虑等式约束优化问题 min(x)s.t.h(x)0,E{1,...,m}jfj

(1.2) 其中:,nfRR:()nihRRiE都为二阶连续可微的实函数.

记1()((),...,())Tmhxhxhx

.

则(1.3)的Lagrange函数为：

1(,)()*()()*()mTiiiLxufxuhxfxuhx

（1.3） 其中12(,,...,)Tmuuuu为拉格朗日乘子向量。 约束函数()hx的Jacobi矩阵为：1()()((),...,())TTmAxhxhxhx. 对（1.3）求导数，可以得到下列方程组： (,)()A()*(,)0(,)()TxuLxufxxuLxuLxuhx







（1.4） 现在考虑用牛顿法求解非线性方程（1.4）. (,)Lxu的Jacobi矩阵为：

(,)()(,)()0TWxuAxNxuAx

 （1.5） 其中221(,)L(,)()*()mxxiiiWxuxufxuhx是拉格朗日函数L(,)xu关于x的Hessen矩阵. (,)Nxu也称为K-T矩阵。对于给定的点(,)kkkzxu，牛顿法的迭代格式为：1kkkzzz.

其中kk(d,v)kz是线性方程组 kkkk

(,)()(x)A(x)u*()0(x)kkkkTTkkdWxuAxfAxvh









（1.6） 的解。 注意：只要kA(x)行满秩且(,)kkWxu是正定的，那么（1.6）的系数矩阵非奇异，且方程组有唯一解。

引理1：已知矩阵,nnnmURSR，则对任意满足*0TSx的非零向量x都有0TxUx的充要条件是存在常数*0，使得对任意的*都有 *(U*S*S)0,0TTnxxxR.

证明略。

鉴于方程组（1.6）的求解数值不稳定，故考虑将它转化成一个严格凸二次规划问题.转化的条件是(1.4)的解点*x处的最优性二阶充分条件成立，即对满足*()*0TAxd的任一向

量0d，成立***(,)*0TdWxud。

再由引理1知：当0充分小时，1(*,*)(*)(*)2TWxuAxAx正定。 考虑（1.6）中的(,)kkWxu用一个正定矩阵来代替，记 1(,)(,)()()2kTkkkkkBxuWxuAxAx

则当**(,)(,)kkxuxu时，矩阵**B(,)xu正定。 （1.6）的第一个展开式为 k(,)*d(x)*(x)(x)*TTkkkkkkkWxuAvfAu 将上式变形为：

k11[(,)()()]*d(x)*[()](x)22kkTTkkkkkkkkWxuAxAxAvuAxdf

令~1:()2kTkkkkuvuAxd后得：~k(,)*d(x)*(x)TkkkkkBxuAuf. 因此，（1.6）等价于 k~

k

(x)(,)()*()0(x)kkkkTkkdfBxuAxAxhu













（1.7） 进一步，可以把方程（1.7）转换成如下严格凸二次规划：

kkkkk1min(d)(x,u)df(x)2..(x)A(x)d0TTkqdBdsth

（1.8） 方程（1.7）和（1.8）具有同解的。 1.2一般形式的约束优化问题 将1.1节中构造二次规划子问题求解等式约束优化问题的思想推广到一般形式的约束优化问题(1.5)。在给定点kk(x,u,)kkz后，将约束函数线性化，并对拉格朗日函数进行二次多项式近似，得到下列二次规划子问题：

kkkkkkk1min(x,u)df(x)2(x)(x)d0,iE..(x)(x)d0,iTTTiiTii

dWdhhstggI







（1.9） 其中212kkkkkk{1,...,m},I{1,...m},WW(x,u,)(x,u,)kxxEL，拉格朗日函数为1211(,)()*()*g()mmiiiiiiLxufxuhxx

.

于是，迭代点kx的校正步kd以及新的拉格朗日乘子估计量11,kku可以分别定义为问题 的一个K-T点*x和相应的拉格朗日乘子向量*,*u。 定理1：给定约束优化问题（1.1）的最优解*d 和相应的拉格朗日乘子*,*0u.假定在*x处，下面的条件成立：

（1） 有效约束的Jacobi矩阵(x*)SJ行满秩，其中(*)E(*)SxIx;

（2） 严格互补松弛条件成立，即******(x)0,0,(x)0,(x)0;iiiiiiggg （3） 二阶最优性充分条件成立，即对满足*()*0TAxd的任一向量0d，成立****(,,)*0TdWxud.

那么若kkk(x,u,)充分靠近***(x,u,)，则二次规划问题(1.9)存在一个局部极小点*d，使得其对应的有效约束指标集*()Sd与原问题在*x处的有效指标集*()Sx是相同的。

注意：在构造二次规划子问题时，需要计算拉格朗日函数在迭代点kx处的Hessen矩阵，计算量过大。为了克服这个缺陷，韩世平基于牛顿-拉格朗日法提出了一种利用对称正定矩阵kB来代替拉格朗日矩阵kW的序列二次规划法。

对于一般约束优化问题（1.1），在迭代点kkkkz(x,u,)，构造下列形式的二次规划子问题：

kkkkkkk1min(x,u)df(x)2(x)(x)d0,iE..(x)(x)d0,iTTTiiTii

dBdhhstggI







（1.10）

并且用（1.10）的解kd作为原问题变量x在第k次迭代过程中的搜索方向。其中kd有一个好的性质是它许多罚函数（价值函数）的下降方向。例如，对于L1精确罚函数： 1(x,)f(x)[|h(x)||[g(x)]_|]iiiEiIP

其中0为罚参数，g(x)]_max{0,g(x)}ii。

为了保证SQR方法的全局收敛性，通常借助价值函数来确定搜索步长。用来衡量一维搜索的好坏。 算法（一般约束优化问题的SQP方法）

Step 0: 给定初始点12000(,u,)RRR,mmnx对称正定矩阵0nBR. 计算 00(x)ETAh，00(x)ITAg，000EIAAA.

选择参数1(0,),(0,1),2容许误差120,1,令:0.k Step 1: 求解子问题（1.10）得最优解kd. Step 2: 若k11||d||且k1k12||||||()_||hg,stop,得到(1.1)的一个近似KT点,,kkkxu（）. Step 3: 对于某种价值函数(,)x，选择罚参数k，使得kd是该函数在kx处的下降方向。 Step 4: Armijo搜索. 令km是使下列不等式成立的最小非负整数m: mm'kkkkkkkk(d,)(,)(,;d),xxx

令k

m

1:,:.kkkkkaxxad

Step 5: 计算 1111111(),(),EkETITkkkkkIkAAhxAhxAA





以及最小二乘乘子

1111111kTkkkkkuAAAf









Step 6: 校正矩阵kB为1kB.令

11111,(,,)(,,)kkkkxkkkxkkksadyLxuLxu

1TTkkkkkkkkTTkkkkkBssBzzBBsBssz 其中 (1)Bskkkkkkzy

参数k定义为 kkkk..........1...........,sy0.2s0.8s,sy0.2ssTkkkTkTkkk

kkkTT

kkkkk

BsBsBsBssy





Step 7: 令:1,kk转1.