Условия Каруша – Куна – Таккера

В математической оптимизации, условия Каруша – Куна – Такера (KKT), также известные как условия Куна – Таккера, являются критериями первой производной (иногда называемыми необходимыми условиями первого порядка) для решения в нелинейное программирование должно быть оптимальным при условии, что удовлетворяются некоторые условия регулярности.

Допуская ограничения неравенства, подход KKT к нелинейному программированию обобщает метод множителей Лагранжа, который допускает только ограничения равенства. Подобно подходу Лагранжа, задача ограниченной максимизации (минимизации) переписывается в виде функции Лагранжа, оптимальной точкой которой является седловая точка, то есть глобальный максимум (минимум) по области переменных выбора и глобальный минимум (максимум) по множителям, поэтому теорему Каруша – Куна – Такера иногда называют теоремой о перевалке.

Условия KKT были первоначально названы в честь Гарольда В. Куна и Альберт У. Такер, который впервые опубликовал условия в 1951 году. Позднее ученые обнаружили, что необходимые условия для этой проблемы были сформулированы Уильямом Карушем в его магистерской диссертации в 1939 году..

• 1 Задача нелинейной оптимизации
• 2 Необходимые условия
  • 2.1 Матричное представление
• 3 Условия регулярности (или ограничения)
• 4 Достаточные условия
  • 4.1 Достаточные условия второго порядка
• 5 Экономика
• 6 Функция ценности
• 7 Обобщения
• 8 См. Также
• 9 Ссылки
• 10 Дополнительная литература
• 11 Внешние ссылки

Рассмотрим следующую нелинейную задачу минимизации или максимизации :

Оптимизировать $f\; (Икс)\; \{\backslash \; Displaystyle\; F\; (\backslash \; mathbf\; \{x\})\}$

при условии

$gi\; (x)\; \le \; 0,\; \{\backslash \; displaystyle\; g\_\; \{i\}\; (\backslash \; mathbf\; \{x\})\; \backslash \; leq\; 0,\}$

$hj\; (x)\; =\; 0.\; \{\backslash \; displaystyle\; h\_\; \{j\}\; (\backslash \; mathbf\; \{x\})\; =\; 0.\}$

где $x\; \in \; X\; \{\backslash \; displaystyle\; \backslash \; mathbf\; \{x\}\; \backslash \; in\; \backslash \; mathbf\; \{\; X\}\}$- переменная оптимизации, выбранная из выпуклого подмножества из $R\; n\; \{\backslash \; displaystyle\; \backslash \; mathbb\; \{R\}\; ^\; \{n\}\}$, $f\; \{\backslash \; displaystyle\; f\}$- target или функция полезности, $gi\; (i\; =\; 1,\dots ,\; m)\; \{\backslash \; displaystyle\; g\_\; \{i\}\; \backslash \; (i\; =\; 1,\; \backslash \; ldots,\; m)\}$- это неравенство ограничение функции и $hj\; (j\; =\; 1,\dots ,\; \ell )\; \{\backslash \; displaystyle\; h\_\; \{j\}\; \backslash \; (j\; =\; 1,\; \backslash \; ldots,\; \backslash \; ell)\}$- функции равенства ограничения. Количество неравенств и равенств обозначается как $m\; \{\backslash \; displaystyle\; m\}$и $\ell \; \{\backslash \; displaystyle\; \backslash \; ell\}$соответственно. В соответствии с задачей оптимизации ограничений можно сформировать функцию Лагранжа

$L\; (x,\; \mu ,\; \lambda )\; =\; f\; (x)\; +\; \mu \; \top \; g\; (x)\; +\; \lambda \; \top \; h\; (x)\; \{\backslash \; displaystyle\; L\; (\backslash \; mathbf\; \{\; x\},\; \backslash \; mathbf\; \{\backslash \; mu\},\; \backslash \; mathbf\; \{\backslash \; lambda\})\; =\; f\; (\backslash \; mathbf\; \{x\})\; +\; \backslash \; mathbf\; \{\backslash \; mu\}\; ^\; \{\backslash \; top\}\; \backslash \; mathbf\; \{g\}\; (\backslash \; mathbf\; \{x\})\; +\; \backslash \; mathbf\; \{\backslash \; lambda\}\; ^\; \{\backslash \; top\}\; \backslash \; mathbf\; \{h\}\; (\backslash \; mathbf\; \{x\})\}$

где $g\; (x)\; =\; (g\; 1\; (x),\dots ,\; gm\; (x))\; \top \; \{\backslash \; displaystyle\; \backslash \; mathbf\; \{g\}\; (\backslash \; mathbf\; \{x\})\; =\; \backslash \; left\; (g\_\; \{1\}\; (\backslash \; mathbf\; \{x\}),\; \backslash \; ldots,\; g\_\; \{m\}\; (\backslash \; mathbf\; \{x\})\; \backslash \; right)\; ^\; \{\backslash \; top\}\}$, $час\; (x)\; =\; (час\; 1\; (x),\dots ,\; час\; \ell \; (x))\; \top \; \{\backslash \; displaystyle\; \backslash \; mathbf\; \{h\}\; (\backslash \; mathbf\; \{x\})\; =\; \backslash \; left\; (h\_\; \{1\}\; (\backslash \; mathbf\; \{x\}),\; \backslash \; ldots,\; h\; \_\; \{\backslash \; ell\}\; (\backslash \; mathbf\; \{x\})\; \backslash \; right)\; ^\; \{\backslash \; top\}\}$. Теорема Каруша – Куна – Таккера утверждает следующее.

Теорема. Если $(x\; \ast ,\; \mu \; \ast )\; \{\backslash \; displaystyle\; (\backslash \; mathbf\; \{x\}\; ^\; \{\backslash \; ast\},\; \backslash \; mathbf\; \{\backslash \; mu\}\; ^\; \{\backslash \; ast\})\}$представляет собой седловую точку из $L\; (x,\; \mu )\; \{\backslash \; displaystyle\; L\; (\backslash \; mathbf\; \{x\},\; \backslash \; mathbf\; \{\backslash \; mu\})\}$в $Икс\; \in \; Икс\; \{\backslash \; Displaystyle\; \backslash \; mathbf\; \{x\}\; \backslash \; in\; \backslash \; mathbf\; \{X\}\}$, $\mu \; \ge \; 0\; \{\backslash \; Displaystyle\; \backslash \; mathbf\; \{\backslash \; mu\}\; \backslash \; geq\; \backslash \; mathbf\; \{0\}\}$, то $x\; \ast \; \{\backslash \; displaystyle\; \backslash \; mathbf\; \{x\}\; ^\; \{\backslash \; ast\}\}$является оптимальным вектором для указанной выше задачи оптимизации. Предположим, что $f\; (x)\; \{\backslash \; displaystyle\; f\; (\backslash \; mathbf\; \{x\})\}$и $gi\; (x)\; \{\backslash \; displaystyle\; g\_\; \{i\}\; (\backslash \; mathbf\; \{x\})\}$, $i\; =\; 1,\dots ,\; m\; \{\backslash \; displaystyle\; i\; =\; 1,\; \backslash \; ldots,\; m\}$, выпуклые в $x\; \{\backslash \; displaystyle\; \backslash \; mathbf\; \{x\}\; \}$и что существует $x\; 0\; \in \; X\; \{\backslash \; displaystyle\; \backslash \; mathbf\; \{x\}\; \_\; \{0\}\; \backslash \; in\; \backslash \; mathbf\; \{X\}\}$такое, что . Затем с оптимальным вектором $x\; \ast \; \{\backslash \; displaystyle\; \backslash \; mathbf\; \{x\}\; ^\; \{\backslash \; ast\}\}$для указанной выше задачи оптимизации связан неотрицательный вектор $\mu \; \ast \; \{\backslash \; displaystyle\; \backslash \; mathbf\; \{\backslash \; mu\}\; ^\; \{\backslash \; ast\}\}$такой, что $L\; (x\; \ast ,\; \mu \; \ast )\; \{\backslash \; displaystyle\; L\; (\backslash \; mathbf\; \{x\}\; ^\; \{\backslash \; ast\},\; \backslash \; mathbf\; \{\backslash \; mu\}\; ^\; \{\backslash \; ast\})\}$- седловая точка $L\; (x,\; \mu )\; \{\backslash \; displaystyle\; L\; (\backslash \; mathbf\; \{x\},\; \backslash \; mathbf\; \{\backslash \; mu\})\}$.

Поскольку идея этого подхода состоит в том, чтобы найти опорную гиперплоскость на допустимом множестве $\Gamma \; =\; \{х\; \in \; х:\; г\; (х)\; \le \; 0,\; i\; =\; 1,...,\; т\}\; \{\backslash \; displaystyle\; \backslash \; mathbf\; \{\backslash \; Gamma\}\; =\; \backslash \; left\; \backslash \; \{\backslash \; mathbf\; \{x\}\; \backslash \; in\; \backslash \; mathbf\; \{X\}:\; g\_\; \{i\}\; (\backslash \; mathbf\; \{x\})\; \backslash \; leq\; 0,\; i\; =\; 1,\; \backslash \; ldots,\; m\; \backslash \; right\; \backslash \}\}$, в доказательстве теоремы Каруша – Куна – Таккера используется теорема об отделении гиперплоскостей.

Система уравнений и неравенств, соответствующая условиям KKT, обычно не решается напрямую, за исключением нескольких особых случаев, когда решение закрытой формы может быть получено аналитически. В общем, многие алгоритмы оптимизации можно интерпретировать как методы численного решения системы уравнений и неравенств ККТ.

Предположим, что целевая функция $f:\; R\; n\; \to \; R\; \{\backslash \; displaystyle\; f:\; \backslash \; mathbb\; \{R\}\; ^\; \{n\}\; \backslash \; rightarrow\; \backslash \; mathbb\; \{R\}\}$и функции ограничений $gi:\; R\; n\; \to \; R\; \{\backslash \; displaystyle\; g\_\; \{i\}:\; \backslash ,\; \backslash !\; \backslash \; mathbb\; \{R\}\; ^\; \{n\}\; \backslash \; rightarrow\; \backslash \; mathbb\; \{R\}\}$и $hj:\; R\; n\; \to \; R\; \{\backslash \; displaystyle\; h\_\; \{j\}:\; \backslash ,\; \backslash !\; \backslash \; mathbb\; \{R\}\; ^\; \{n\}\; \backslash \; rightarrow\; \backslash \; mathbb\; \{R\}\}$непрерывно дифференцируемые в точке $x\; \ast \; \in \; R\; n\; \{\backslash \; displaystyle\; x\; ^\; \{*\}\; \backslash \; in\; \backslash \; mathbb\; \{R\}\; ^\; \{n\}\}$. Если $x\; \ast \; \{\backslash \; displaystyle\; x\; ^\; \{*\}\}$является локальным оптимумом и задача оптимизации удовлетворяет некоторым условиям регулярности (см. Ниже), то существуют константы $\mu \; я\; (я\; =\; 1,\dots ,\; m)\; \{\backslash \; displaystyle\; \backslash \; mu\; \_\; \{i\}\; \backslash \; (i\; =\; 1,\; \backslash \; ldots,\; m)\}$и $\lambda \; j\; (j\; =\; 1,\; \dots ,\; \ell )\; \{\backslash \; displaystyle\; \backslash \; lambda\; \_\; \{j\}\; \backslash \; (j\; =\; 1,\; \backslash \; ldots,\; \backslash \; ell)\}$, называемые множителями KKT, такие, что выполняются следующие четыре группы условий:

Диаграмма ограничений неравенства для задач оптимизации

Стационарность

Для максимизации $f\; (x)\; \{\backslash \; displaystyle\; f\; (x)\}$: $\nabla \; f\; (x\; \ast )\; -\; \sum \; i\; =\; 1\; m\; \mu \; i\; \nabla \; gi\; (x\; \ast )\; -\; \sum \; j\; знак\; равно\; 1\; \ell \; \lambda \; J\; \nabla \; hj\; (x\; \ast )\; =\; 0\; \{\backslash \; displaystyle\; \backslash \; nabla\; f\; (x\; ^\; \{*\})\; -\; \backslash \; sum\; \_\; \{i\; =\; 1\}\; ^\; \{m\}\; \backslash \; mu\; \_\; \{i\}\; \backslash \; nabla\; g\_\; \{i\}\; (x\; ^\; \{*\})\; -\; \backslash \; sum\; \_\; \{j\; =\; 1\}\; ^\; \{\backslash \; ell\}\; \backslash \; lambda\; \_\; \{j\}\; \backslash \; nabla\; h\_\; \{j\}\; (x\; ^\; \{*\})\; =\; \backslash \; mathbf\; \{0\}\}$

Для минимизации $f\; (x)\; \{\backslash \; displaystyle\; f\; (x)\}$: $\nabla \; f\; (x\; \ast )\; +\; \sum \; i\; =\; 1\; m\; \mu \; i\; \nabla \; gi\; (x\; \ast )\; +\; \sum \; J\; знак\; равно\; 1\; \ell \; \lambda \; J\; \nabla \; hj\; (x\; \ast )\; =\; 0\; \{\backslash \; displaystyle\; \backslash \; nabla\; f\; (x\; ^\; \{*\})\; +\; \backslash \; sum\; \_\; \{i\; =\; 1\}\; ^\; \{m\}\; \backslash \; mu\; \_\; \{i\}\; \backslash \; nabla\; g\_\; \{i\}\; (x\; ^\; \{*\})\; +\; \backslash \; сумма\; \_\; \{j\; =\; 1\}\; ^\; \{\backslash \; ell\}\; \backslash \; lambda\; \_\; \{j\}\; \backslash \; nabla\; h\_\; \{j\}\; (x\; ^\; \{*\})\; =\; \backslash \; mathbf\; \{0\}\}$

Первичная выполнимость

$gi\; (x\; \ast )\; \le \; 0,\; если\; я\; =\; 1,\dots ,\; m\; \{\backslash \; displaystyle\; g\_\; \{i\}\; (x\; ^\; \{*\})\; \backslash \; leq\; 0,\; \{\backslash \; text\; \{for\}\}\; i\; =\; 1,\; \backslash \; ldots,\; m\}$

$hj\; (\; x\; \ast )\; =\; 0,\; для\; j\; =\; 1,\dots ,\; \ell \; \{\backslash \; displaystyle\; h\_\; \{j\}\; (x\; ^\; \{*\})\; =\; 0,\; \{\backslash \; text\; \{for\}\}\; j\; =\; 1,\; \backslash \; ldots,\; \backslash \; ell\; \backslash ,\; \backslash \; !\}$

Двойная выполнимость

$\mu \; i\; \ge \; 0,\; для\; i\; =\; 1,\dots ,\; m\; \{\backslash \; displaystyle\; \backslash \; mu\; \_\; \{i\}\; \backslash \; geq\; 0,\; \{\backslash \; text\; \{for\}\}\; i\; =\; 1,\; \backslash \; ldots,\; m\}$

Дополнительная слабина

$\sum \; i\; =\; 1\; м\; \mu \; igi\; (x\; \ast )\; =\; 0.\; \{\backslash \; displaystyle\; \backslash \; sum\; \_\; \{i\; =\; 1\}\; ^\; \{m\}\; \backslash \; mu\; \_\; \{i\}\; g\_\; \{i\}\; (\; x\; ^\; \{*\})\; =\; 0.\}$

Последнее условие иногда записывается в эквивалентной форме: $\mu \; igi\; (x\; \ast )\; =\; 0,\; для\; i\; =\; 1,\dots ,\; m.\; \{\backslash \; displaystyle\; \backslash \; mu\; \_\; \{i\}\; g\_\; \{i\}\; (x\; ^\; \{*\})\; =\; 0,\; \{\backslash \; text\; \{for\}\}\; i\; =\; 1,\; \backslash \; ldots,\; m.\}$

В частном случае $m\; =\; 0\; \{\backslash \; displaystyle\; m\; =\; 0\}$, т.е. когда нет ограничений неравенства, условия KKT превращаются в условия Лагранжа, а множители KKT называются множителями Лагранжа.

Если некоторые функции недифференцируемы, доступны субдифференциальные версии условий Каруша – Куна – Таккера (KKT).

Матричное представление

Необходимые условия могут быть записаны с матрицами Якоби функций ограничений. Пусть $g\; (x):\; R\; n\; \to \; R\; m\; \{\backslash \; displaystyle\; \backslash \; mathbf\; \{g\}\; (x):\; \backslash ,\; \backslash !\; \backslash \; Mathbb\; \{R\}\; ^\; \{n\}\; \backslash \; rightarrow\; \backslash \; mathbb\; \{R\}\; ^\; \{m\}\; \}$определяется как $g\; (x)\; =\; (g\; 1\; (x),\dots ,\; gm\; (x))\; \top \; \{\backslash \; displaystyle\; \backslash \; mathbf\; \{g\}\; (x)\; =\; \backslash \; left\; (g\_\; \{\; 1\}\; (x),\; \backslash \; ldots,\; g\_\; \{m\}\; (x)\; \backslash \; right)\; ^\; \{\backslash \; top\}\}$и пусть $h\; (x):\; R\; n\; \to \; R\; \ell \; \{\backslash \; displaystyle\; \backslash \; mathbf\; \{h\}\; (x):\; \backslash ,\; \backslash !\; \backslash \; mathbb\; \{R\}\; ^\; \{n\}\; \backslash \; rightarrow\; \backslash \; mathbb\; \{R\}\; ^\; \{\backslash \; ell\}\}$определяется как $h\; (x)\; знак\; равно\; (час\; 1\; (x),\dots ,\; час\; \ell \; (x))\; \top \; \{\backslash \; displaystyle\; \backslash \; mathbf\; \{h\}\; (x)\; =\; \backslash \; left\; (h\_\; \{1\}\; (x),\; \backslash \; ldots,\; h\; \_\; \{\backslash \; ell\}\; (x)\; \backslash \; right)\; ^\; \{\backslash \; top\}\}$. Пусть $\mu \; =\; (\mu \; 1,\dots ,\; \mu \; m)\; \top \; \{\backslash \; displaystyle\; \{\backslash \; boldsymbol\; \{\backslash \; mu\}\}\; =\; \backslash \; left\; (\backslash \; mu\; \_\; \{1\},\; \backslash \; ldots,\; \backslash \; mu\; \_\; \{m\}\; \backslash \; right)\; ^\; \{\backslash \; top\}\}$и $\lambda \; =\; (\lambda \; 1,\dots ,\; \lambda \; \ell )\; \top \; \{\backslash \; displaystyle\; \{\backslash \; boldsymbol\; \{\backslash \; lambda\}\}\; =\; \backslash \; left\; (\backslash \; lambda\; \_\; \{1\},\; \backslash \; ldots,\; \backslash \; lambda\; \_\; \{\backslash \; ell\}\; \backslash \; right)\; ^\; \{\backslash \; top\}\}$. Тогда необходимые условия можно записать как:

Стационарность

Для максимизации $f\; (x)\; \{\backslash \; displaystyle\; f\; (x)\}$: $\nabla \; f\; (x\; \ast )\; -\; D\; g\; (x\; *)\; \top \; \mu \; -\; D\; час\; (Икс\; *)\; \top \; \lambda \; знак\; равно\; 0\; \{\backslash \; Displaystyle\; \backslash \; набла\; F\; (х\; ^\; \{*\})\; -\; D\; \backslash \; mathbf\; \{g\}\; (х\; ^\; \{*\})\; ^\; \{\backslash \; top\}\; \{\backslash \; boldsymbol\; \{\backslash \; mu\}\}\; -\; D\; \backslash \; mathbf\; \{h\}\; (x\; ^\; \{*\})\; ^\; \{\backslash \; top\}\; \{\backslash \; boldsymbol\; \{\backslash \; lambda\}\}\; =\; \backslash \; mathbf\; \{0\}\}$

Для минимизации $f\; (x)\; \{\backslash \; displaystyle\; f\; (x)\}$: $\nabla \; е\; (x\; \ast )\; +\; D\; g\; (x\; \ast )\; \top \; \mu \; +\; D\; h\; (x\; \ast )\; \top \; \lambda \; =\; 0\; \{\backslash \; displaystyle\; \backslash \; nabla\; f\; (x\; ^\; \{*\}))\; +\; D\; \backslash \; mathbf\; \{g\}\; (x\; ^\; \{*\})\; ^\; \{\backslash \; top\}\; \{\backslash \; boldsymbol\; \{\backslash \; mu\}\}\; +\; D\; \backslash \; mathbf\; \{h\}\; (x\; ^\; \{*\})\; ^\; \{\backslash \; top\}\; \{\backslash \; boldsymbol\; \{\backslash \; lambda\}\}\; =\; \backslash \; mathbf\; \{0\}\}$

Первичная выполнимость

$g\; (x\; \ast )\; \le \; 0\; \{\backslash \; displaystyle\; \backslash \; mathbf\; \{g\}\; (x\; ^\; \{*\})\; \backslash \; leq\; \backslash \; mathbf\; \{0\}\}$

$час\; (x\; \ast )\; =\; 0\; \{\backslash \; displaystyle\; \backslash \; mathbf\; \{h\}\; (x\; ^\; \{*\})\; =\; \backslash \; mathbf\; \{0\}\}$

Двойная выполнимость

$\mu \; \ge \; 0\; \{\backslash \; displaystyle\; \{\backslash \; boldsymbol\; \{\; \backslash \; mu\}\}\; \backslash \; geq\; \backslash \; mathbf\; \{0\}\}$

Дополнительная расслабленность

$\mu \; \top \; g\; (x\; \ast )\; =\; 0.\; \{\backslash \; displaystyle\; \{\backslash \; boldsymbol\; \{\backslash \; mu\}\}\; ^\; \{\backslash \; top\}\; \backslash \; mathbf\; \{g\; \}\; (x\; ^\; \{*\})\; =\; 0.\}$

Чтобы точка минимума $x\; \ast \; \{\backslash \; displaystyle\; x\; ^\; \{*\}\}$удовлетворяла вышеуказанным условиям KKT, задача должна удовлетворять некоторым условиям регулярности; здесь приведены некоторые общие примеры:

Ограничение	Акроним	Заявление
Квалификация ограничения линейности	LCQ	Если $gi\; \{\; \backslash \; displaystyle\; g\_\; \{i\}\}$и $hj\; \{\backslash \; displaystyle\; h\_\; \{j\}\}$являются аффинными функциями, тогда никаких других условий не требуется.
Квалификация ограничения линейной независимости	LICQ	Градиенты ограничений активного неравенства и градиенты ограничений равенства линейно независимы при $x\; \ast \; \{\; \backslash \; displaystyle\; x\; ^\; \{*\}\}$.
Квалификация ограничения Мангасарян-Фромовица	MFCQ	Градиенты ограничений равенства линейно независимы в $x\; \ast \; \{\backslash \; displaystyle\; x\; ^\; \{\; *\}\}$и существует вектор $d\; \in \; R\; n\; \{\backslash \; displaystyle\; d\; \backslash \; in\; \backslash \; mathbb\; \{R\}\; ^\; \{n\}\}$такой, что для всех активных ограничений неравенства и $\nabla \; hj\; (x\; \ast )\; \top \; d\; =\; 0\; \{\backslash \; displaystyle\; \backslash \; nabla\; h\_\; \{j\}\; (x\; ^\; \{*\})\; ^\; \{\backslash \; top\}\; d\; =\; 0\}$для всех ограничений равенства.
Квалификация ограничения постоянного ранга	CRCQ	Для каждого подмножества градиентов активных ограничений неравенства и градиентов равенство ограничивает ранг в окрестности $x\; \ast \; \{\backslash \; displaystyle\; x\; ^\; \{*\}\}$является постоянным.
Квалификация ограничения постоянной положительной линейной зависимости	CPLD	Для каждого подмножества градиентов активных ограничений неравенства и градиентов ограничений равенства, если подмножество векторов линейно зависит в $x\; \ast \; \{\backslash \; displaystyle\; x\; ^\; \{*\}\}$с неотрицательными скалярами, связанными с ограничениями неравенства, тогда он остается линейно зависимым в окрестности $x\; \ast \; \{\backslash \; displaystyle\; x\; ^\; \{*\}\}$.
Квалификация ограничения квазинормальности	QNCQ	Если градиенты активных ограничений неравенства и градиенты ограничений равенства линейно зависят в $x\; \ast \; \{\backslash \; displaystyle\; x\; ^\; \{*\}\}$со связанными множителями $\lambda \; j\; \{\backslash \; displaystyle\; \backslash \; lambda\; \_\; \{j\}\}$для равенств и $\mu \; i\; \ge \; 0\; \{\backslash \; displaystyle\; \backslash \; mu\; \_\; \{i\}\; \backslash \; geq\; 0\}$для неравенств, тогда нет последовательности $xk\; \to \; x\; \ast \; \{\backslash \; displaystyle\; x\_\; \{k\}\; \backslash \; to\; x\; ^\; \{*\}\}$такой $\lambda \; j\; \ne \; 0\; \Rightarrow \; \lambda \; jhj\; (xk)>0\; \{\backslash \; displaystyle\; \backslash \; lambda\; \_\; \{j\}\; \backslash \; n\; eq\; 0\; \backslash \; Rightarrow\; \backslash \; lambda\; \_\; \{j\}\; h\_\; \{j\}\; (x\_\; \{k\})>0\}$и $\mu \; i\; \ne \; 0\; \Rightarrow \; \mu \; igi\; (xk)>0.\; \{\backslash \; displaystyle\; \backslash \; mu\; \_\; \{i\}\; \backslash \; neq\; 0\; \backslash \; Rightarrow\; \backslash \; mu\; \_\; \{i\}\; g\_\; \{i\}\; (x\_\; \{k\})>0.\}$
Состояние Слейтера	SC	выпуклая задача (т. е. предполагая минимизацию, $f,\; gi\; \{\backslash \; displaystyle\; f,\; g\_\; \{i\}\}$выпуклые и $hj\; \{\backslash \; displaystyle\; h\_\; \{j\; \}\}$аффинно), существует точка $x\; \{\backslash \; displaystyle\; x\}$такая, что $h\; (x)\; =\; 0\; \{\backslash \; displaystyle\; h\; (x)\; =\; 0\}$и

Можно показать, что

LICQ ⇒ MFCQ ⇒ CPLD ⇒ QNCQ

и

LICQ ⇒ CRCQ ⇒ CPLD ⇒ QNCQ

(и обратное неверно), хотя MFCQ не эквивалентен CRCQ. На практике предпочтительны более слабые квалификационные ограничения, поскольку они обеспечивают более строгие условия оптимальности.

В некоторых случаях, необходимых условий также достаточно для оптимальности. одних условий недостаточно для оптимальности, и требуется дополнительная информация, такая как достаточные условия второго порядка (SOSC). Для гладких функций SOSC включает вторые производные, что объясняет его название.

Необходимые условия являются достаточными для оптимальности, если целевая функция $f\; \{\backslash \; displaystyle\; f\}$задачи максимизации является вогнутой функцией, ограничения неравенства $gj\; \{\backslash \; displaystyle\; g\_\; \{j\}\}$- непрерывно дифференцируемые выпуклые функции и ограничения равенства $hi\; \{\backslash \; displaystyle\; h\_\; \{i\}\}$- это аффинные функции. Аналогично, если целевая функция $f\; \{\backslash \; displaystyle\; f\}$задачи минимизации является выпуклой функцией, необходимые условия также достаточны для оптимальности.

Мартин в 1985 году показал, что более широкий класс функций, в которых условия KKT гарантируют глобальную оптимальность, представляют собой так называемые функции типа 1 invex.

достаточные условия второго порядка

Для гладких, нелинейных задач оптимизации достаточное условие второго порядка задается следующим образом.

Решение $x\; \ast ,\; \lambda \; \ast ,\; \mu \; \ast \; \{\backslash \; displaystyle\; x\; ^\; \{*\},\; \backslash \; lambda\; ^\; \{*\},\; \backslash \; mu\; ^\; \{*\}\}$найдено в приведенный выше участок является ограниченным локальным минимумом, если для лагранжиана

$L\; (x,\; \lambda ,\; \mu )\; =\; f\; (x)\; +\; \sum \; i\; =\; 1\; m\; \mu \; igi\; (x)\; +\; \sum \; j\; =\; 1\; \ell \; \lambda \; jhj\; (x)\; \{\backslash \; Displaystyle\; L\; (х,\; \backslash \; лямбда,\; \backslash \; му)\; =\; е\; (х)\; +\; \backslash \; сумма\; \_\; \{я\; =\; 1\}\; ^\; \{м\}\; \backslash \; му\; \_\; \{я\}\; g\_\; \{я\}\; (х)\; +\; \backslash \; сумма\; \_\; \{\; j\; =\; 1\}\; ^\; \{\backslash \; ell\}\; \backslash \; lambda\; \_\; \{j\}\; h\_\; \{j\}\; (x)\}$

, тогда

$s\; T\; \nabla \; xx\; 2\; L\; (x\; \ast ,\; \lambda \; \ast ,\; \mu \; \ast )\; s\; \ge \; 0\; \{\backslash \; displaystyle\; s\; ^\; \{T\}\; \backslash \; nabla\; \_\; \{xx\}\; ^\; \{2\}\; L\; (x\; ^\; \{*\},\; \backslash \; lambda\; ^\; \{*\},\; \backslash \; mu\; ^\; \{*\})\; s\; \backslash \; geq\; 0\}$

где $s\; \ne \; 0\; \{\backslash \; displaystyle\; s\; \backslash \; neq\; 0\}$- вектор, удовлетворяющий следующему:

$[\nabla \; xgi\; (x\; \ast ),\; \nabla \; xhj\; (x\; \ast )]\; T\; s\; =\; 0\; \{\backslash \; displaystyle\; \backslash \; left\; [\backslash \; nabla\; \_\; \{x\}\; g\_\; \{i\}\; (x\; ^\; \{*\}),\; \backslash \; nabla\; \_\; \{x\}\; h\_\; \{j\}\; (x\; ^\; \{*\})\; \backslash \; right]\; ^\; \{T\}\; s\; =\; 0\}$

где только те активные ограничения неравенства $gi\; (x)\; \{\backslash \; displaystyle\; g\_\; \{i\}\; (x)\}$, соответствующие строгой комплементарности (то есть где $\mu \; i>0\; \{\backslash \; displaystyle\; \backslash \; mu\; \_\; \{i\}>0\}$). Решение представляет собой строгий ограниченный локальный минимум в случае, если неравенство также строгое.

Если $s\; T\; \nabla \; xx\; 2\; L\; (x\; \ast ,\; \lambda \; \ast ,\; \mu \; \ast )\; s\; =\; 0\; \{\backslash \; displaystyle\; s\; ^\; \{T\}\; \backslash \; nabla\; \_\; \{xx\}\; ^\; \{2\}\; L\; (x\; ^\; \{*\},\; \backslash \; lambda\; ^\; \{*\},\; \backslash \; mu\; ^\; \{*\})\; s\; =\; 0\}$, следует использовать разложение Тейлора третьего порядка лагранжиана, чтобы проверить, $x\; \ast \; \{\; \backslash \; displaystyle\; x\; ^\; \{*\}\}$- это локальный минимум. Минимизация $f\; (x\; 1,\; x\; 2)\; =\; (x\; 2\; -\; x\; 1\; 2)\; (x\; 2\; -\; 3\; x\; 1\; 2)\; \{\backslash \; displaystyle\; f\; (x\_\; \{1\},\; x\_\; \{2\})\; =\; (x\_\; \{2\}\; -x\_\; \{1\}\; ^\; \{2\})\; (x\_\; \{2\}\; -3x\_\; \{1\}\; ^\; \{2\})\}$- хороший контрпример, см. Также Поверхность Пеано.

Часто в математической экономике подход ККТ используется в теоретических моделях для получения качественных результатов. Например, рассмотрим фирму, которая максимизирует выручку от продаж при условии минимального ограничения прибыли. Если $Q\; \{\backslash \; displaystyle\; Q\}$быть количеством произведенного вывода (которое необходимо выбрать), $R\; (Q)\; \{\backslash \; displaystyle\; R\; (Q)\}$будет выручка от продаж с положительной первой производной и нулевым значением при нулевом выпуске $C\; (Q)\; \{\backslash \; displaystyle\; C\; (Q)\}$будет производственными затратами с положительной первой производной и не- отрицательное значение при нулевом выходе и $G\; min\; \{\backslash \; displaystyle\; G\; \_\; \{\backslash \; min\}\}$быть положительным минимально допустимым уровнем прибыли, тогда проблема будет значимой, если функция дохода выравнивается, поэтому в конечном итоге она становится менее крутой, чем функция затрат. Проблема, выраженная в ранее заданной форме минимизации:

Свернуть $-\; R\; (Q)\; \{\backslash \; displaystyle\; -R\; (Q)\}$

при условии

$G\; min\; \le \; R\; (Q)\; -\; C\; (Q)\; \{\backslash \; displaystyle\; G\; \_\; \{\backslash \; min\}\; \backslash \; leq\; R\; (Q)\; -C\; (Q)\}$

$Q\; \ge \; 0,\; \{\backslash \; displaystyle\; Q\; \backslash \; geq\; 0,\}$

и условиями KKT являются

$(d\; R\; d\; Q)\; (1\; +\; \mu )\; -\; \mu \; (d\; C\; d\; Q)\; \le \; 0,\; Q\; \ge \; 0,\; Q\; [(d\; R\; d\; Q)\; (1\; +\; \mu )\; -\; \mu \; (d\; C\; d\; Q)]\; =\; 0,\; R\; (Q)\; -\; C\; (Q)\; -\; G\; min\; \ge \; 0,\; \mu \; \ge \; 0,\; \mu \; [R\; (Q)\; -\; C\; (Q)\; -\; G\; min]\; =\; 0.\; \{\backslash \; displaystyle\; \{\backslash \; begin\; \{align\}\; \backslash \; left\; (\{\; \backslash \; frac\; \{\{\backslash \; text\; \{d\}\}\; R\}\; \{\{\backslash \; text\; \{d\}\}\; Q\}\}\; \backslash \; right)\; (1+\; \backslash \; mu)\; -\; \backslash \; mu\; \backslash \; left\; (\{\backslash \; frac\; \{\{\backslash \; text\; \{d\}\}\; C\; \}\; \{\{\backslash \; text\; \{d\}\}\; Q\}\}\; \backslash \; right)\; \backslash \; leq\; 0,\; \backslash \backslash \; [5pt]\; Q\; \backslash \; geq\; 0,\; \backslash \backslash \; [5pt]\; Q\; \backslash \; left\; [\backslash \; left\; (\{\backslash \; frac\; \{\{\backslash \; text\; \{d\; \}\}\; R\}\; \{\{\backslash \; text\; \{d\}\}\; Q\}\}\; \backslash \; right)\; (1+\; \backslash \; mu)\; -\; \backslash \; mu\; \backslash \; left\; (\{\backslash \; frac\; \{\{\backslash \; text\; \{d\}\}\; C\}\; \{\{\backslash \; text\; \{d\})\; \}\; Q\}\}\; \backslash \; right)\; \backslash \; right]\; =\; 0,\; \backslash \backslash \; [5pt]\; R\; (Q)\; -C\; (Q)\; -G\; \_\; \{\backslash \; min\}\; \backslash \; geq\; 0,\; \backslash \backslash \; [5pt]\; \backslash \; mu\; \backslash \; geq\; 0,\; \backslash \; \backslash \; [5pt]\; \backslash \; mu\; [R\; (Q)\; -C\; (Q)\; -G\; \_\; \{\backslash \; min\}]\; =\; 0.\; \backslash \; end\; \{align\}\}\}$

Поскольку $Q\; =\; 0\; \{\backslash \; displaystyle\; Q\; =\; 0\; \}$нарушит ограничение минимальной прибыли, мы имеем $Q>0\; \{\backslash \; displaystyle\; Q>0\}$и, следовательно, третье условие следует, что первое условие выполнено с равенством. Решение этого равенства дает

$d\; R\; d\; Q\; =\; \mu \; 1\; +\; \mu \; (d\; C\; d\; Q).\; \{\backslash \; displaystyle\; \{\backslash \; frac\; \{\{\backslash \; text\; \{d\}\}\; R\}\; \{\{\backslash \; text\; \{d\}\}\; Q\}\}\; =\; \{\backslash \; frac\; \{\backslash \; mu\}\; \{1+\; \backslash \; mu\}\}\; \backslash \; left\; (\{\backslash \; frac\; \{\{\; \backslash \; text\; \{d\}\}\; C\}\; \{\{\backslash \; text\; \{d\}\}\; Q\}\}\; \backslash \; right).\}$

Потому что было дано, что $d\; R\; /\; d\; Q\; \{\backslash \; displaystyle\; \{\backslash \; text\; \{d\}\}\; R\; /\; \{\backslash \; text\; \{d\}\}\; Q\}$и $d\; C\; /\; d\; Q\; \{\backslash \; displaystyle\; \{\backslash \; text\; \{d\}\}\; C\; /\; \{\backslash \; text\; \{d\}\}\; Q\}$строго положительны, это неравенство вместе с условием неотрицательности на $\mu \; \{\backslash \; displaystyle\; \backslash \; mu\}$гарантирует, что $\mu \; \{\backslash \; displaystyle\; \backslash \; mu\}$положительно, и поэтому компания, стремящаяся максимизировать доход, работает на уровне выпуска, при котором предельный доход $d\; R\; /\; d\; Q\; \{\backslash \; displaystyle\; \{\backslash \; text\; \{d\}\}\; R\; /\; \{\backslash \; text\; \{\; d\}\}\; Q\}$меньше предельных затрат $d\; C\; /\; d\; Q\; \{\backslash \; displaystyle\; \{\backslash \; text\; \{d\}\}\; C\; /\; \{\backslash \; text\; \{d\}\}\; Q\; \}$- результат, представляющий интерес, поскольку он контрастирует с поведением максимизирующей прибыль фирмы, которая работает на уровне, на котором они равны.

Если мы пересмотрим проблему оптимизации как проблему максимизации с постоянными ограничениями неравенства:

$Максимизируйте\; f\; (x)\; \{\backslash \; displaystyle\; \{\backslash \; text\; \{Maximize\}\}\; \backslash ;\; f\; (x)\}$

$при\; условии\; \{\backslash \; displaystyle\; \{\backslash \; text\; \{subject\; to\}\}\; \backslash \}$

$gi\; (x)\; \le \; ai,\; hj\; (x)\; =\; 0.\; \{\backslash \; displaystyle\; g\_\; \{i\}\; (x)\; \backslash \; leq\; a\_\; \{i\},\; h\_\; \{j\}\; (x)\; =\; 0.\}$

Функция значения определяется как

$V\; (a\; 1,\dots ,\; an)\; =\; sup\; xf\; (x)\; \{\backslash \; displaystyle\; V\; (a\_\; \{1\},\; \backslash \; ldots,\; a\_\; \{n\})\; =\; \backslash \; sup\; \backslash \; limits\; \_\; \{x\}\; f\; (x)\}$

$при\; условии\; \{\backslash \; displaystyle\; \{\backslash \; text\; \{subject\; to\}\}\; \backslash \}$

$gi\; (x)\; \le \; ai,\; hj\; (x)\; знак\; равно\; 0\; \{\backslash \; displaystyle\; g\_\; \{i\}\; (x)\; \backslash \; leq\; a\_\; \{i\},\; h\_\; \{j\}\; (x)\; =\; 0\}$

$j\; \in \; \{1,\dots ,\; \ell \},\; i\; \in \; \{1,\dots ,\; m\},\; \{\backslash \; displaystyle\; j\; \backslash \; in\; \backslash \; \{1,\; \backslash \; ldots,\; \backslash \; ell\; \backslash \},\; i\; \backslash \; in\; \backslash \; \{1,\; \backslash \; ldots,\; m\; \backslash \},\}$

, поэтому домен $V\; \{\backslash \; displaystyle\; V\}$равно $\{a\; \in \; R\; m\; \mid \; для\; некоторого\; x\; \in \; X,\; gi\; (x)\; \le \; ai,\; i\; \in \; \{1,\dots ,\; m\}\}.\; \{\backslash \; displaystyle\; \backslash \; \{a\; \backslash \; in\; \backslash \; mathbb\; \{R\}\; ^\; \{m\}\; \backslash \; mid\; \{\backslash \; text\; \{для\; некоторых\}\}\; x\; \backslash \; in\; X,\; g\_\; \{i\}\; (x)\; \backslash \; leq\; a\_\; \{i\},\; i\; \backslash \; in\; \backslash \; \{1,\; \backslash \; ldots,\; m\; \backslash \}\; \backslash \}.\}$

Учитывая это определение, каждый коэффициент $\mu \; i\; \{\backslash \; displaystyle\; \backslash \; mu\; \_\; \{i\}\}$представляет собой скорость, с которой значение функция увеличивается по мере увеличения $ai\; \{\backslash \; displaystyle\; a\_\; \{i\}\}$. Таким образом, если каждый $ai\; \{\backslash \; displaystyle\; a\_\; \{i\}\}$интерпретируется как ограничение ресурса, коэффициенты говорят вам, насколько увеличение ресурса увеличит оптимальное значение нашей функции $f\; \{\; \backslash \; displaystyle\; f\}$. Эта интерпретация особенно важна в экономике и используется, например, в задачах максимизации полезности.

с дополнительным множителем $\mu \; 0\; \ge \; 0\; \{\backslash \; displaystyle\; \backslash \; mu\; \_\; \{0\; \}\; \backslash \; geq\; 0\}$, который может быть равен нулю (если $(\mu \; 0,\; \mu ,\; \lambda )\; \ne \; 0\; \{\backslash \; displaystyle\; (\backslash \; mu\; \_\; \{0\},\; \backslash \; mu,\; \backslash \; lambda)\; \backslash \; neq\; 0\}$) перед $\nabla \; f\; (x\; \ast )\; \{\backslash \; displaystyle\; \backslash \; nabla\; f\; (x\; ^\; \{*\})\}$условия стационарности KKT превращаются в

$\mu \; 0\; \nabla \; f\; (x\; \ast )\; +\; \sum \; i\; =\; 1\; m\; \mu \; i\; \nabla \; gi\; (x\; \ast )\; +\; \sum \; j\; =\; 1\; \ell \; \lambda \; j\; \nabla \; hj\; (x\; \ast )\; =\; 0,\; \mu \; jgi\; (x\; \ast )\; =\; 0,\; я\; =\; 1,\dots ,\; м,\; \{\backslash \; displaystyle\; \{\backslash \; begin\; \{align\}\; \backslash \; mu\; \_\; \{0\}\; \backslash ,\; \backslash \; nabla\; f\; (x\; ^\; \{*\})\; +\; \backslash \; sum\; \_\; \{i\; =\; 1\}\; ^\; \{m\}\; \backslash \; mu\; \_\; \{i\}\; \backslash ,\; \backslash \; nabla\; g\_\; \{i\}\; (x\; ^\; \{*\})\; +\; \backslash \; sum\; \_\; \{j\; =\; 1\}\; ^\; \{\backslash \; ell\}\; \backslash \; lambda\; \_\; \{j\}\; \backslash ,\; \backslash \; nabla\; h\_\; \{j\}\; (\; x\; ^\; \{*\})\; =\; 0,\; \backslash \backslash \; [4pt]\; \backslash \; mu\; \_\; \{j\}\; g\_\; \{i\}\; (x\; ^\; \{*\})\; =\; 0,\; \backslash \; quad\; i\; =\; 1,\; \backslash \; dots,\; m,\; \backslash \; end\; \{выровнено\; \}\}\}$

, которые называются условиями Фрица Джона. Эти условия оптимальности выполняются без оговорок ограничений и эквивалентны условию оптимальности KKT или (not-MFCQ).

Условия KKT относятся к более широкому классу необходимых условий первого порядка (FONC), которые допускают негладкие функции, использующие подчиненные.

• лемму Фаркаса
• Множитель Лагранжа
• Метод Big M для линейных задач, который расширяет симплекс-алгоритм на задачи, содержащие ограничения «больше чем».
• Переменная Slack

1. ^Табак, Даниил; Куо, Бенджамин С. (1971). Оптимальное управление математическим программированием. Энглвуд Клиффс, Нью-Джерси: Прентис-Холл. С. 19–20. ISBN 0-13-638106-5.
2. ^Кун, Х. У. ; Такер А. У. (1951). «Нелинейное программирование». Труды 2-го симпозиума в Беркли. Беркли: Калифорнийский университет Press. С. 481–492. MR 0047303.
3. ^W. Каруш (1939). Минимумы функций нескольких переменных с неравенствами в качестве боковых ограничений (диссертация на степень магистра). Кафедра математики Univ. Чикаго, Чикаго, Иллинойс.
4. ^Кьельдсен, Тинн Хофф (2000). «Контекстуализированный исторический анализ теоремы Куна-Такера в нелинейном программировании: влияние Второй мировой войны». Historia Math. 27 (4): 331–361. doi : 10.1006 / hmat.2000.2289. MR 1800317.
5. ^Уолш, Г. Р. (1975). «Свойство перевала функции Лагранжа». Методы оптимизации. Нью-Йорк: Джон Вили и сыновья. С. 39–44. ISBN 0-471-91922-5.
6. ^Kemp, Murray C.; Кимура, Йошио (1978). Введение в математическую экономику. Нью-Йорк: Спрингер. Стр. 38–44. ISBN 0-387-90304-6.
7. ^Бойд, Стивен; Ванденберге, Ливен (2004). Выпуклая оптимизация. Кембридж: Cambridge University Press. п. 244. ISBN 0-521-83378-7. MR 2061575.
8. ^Рущинский, Анджей (2006). Нелинейная оптимизация. Принстон, Нью-Джерси: Princeton University Press. ISBN 978-0691119151. MR 2199043.
9. ^Дмитрий Бертсекас (1999). Нелинейное программирование (2-е изд.). Athena Scientific. С. 329–330. ISBN 9781886529007.
10. ^Родриго Эустакио; Элизабет Карас; Адемир Рибейро. Ограничение квалификации для нелинейного программирования (PDF) (Технический отчет). Федеральный университет Параны.
11. ^Мартин Д. Х. (1985). «Сущность косности». J. Optim. Теория Appl. 47 (1): 65–76. DOI : 10.1007 / BF00941316. S2CID 122906371.
12. ^Хэнсон, М.А. (1999). «Невыпуклость и теорема Куна-Такера». J. Math. Анальный. Appl. 236 (2): 594–604. doi : 10.1006 / jmaa.1999.6484.
13. ^Чанг, Альфа К. Фундаментальные методы математической экономики, 3-е издание, 1984 г., стр. 750–752.

• Андреани, Р.; Martínez, J.M.; Шувердт, М. Л. (2005). «О связи между условием постоянной положительной линейной зависимости и квалификацией ограничения квазинормальности». Журнал теории оптимизации и приложений. 125 (2): 473–485. DOI : 10.1007 / s10957-004-1861-9. S2CID 122212394.
• Авриэль, Мардохей (2003). Нелинейное программирование: анализ и методы. Дувр. ISBN 0-486-43227-0.
• Болтянский, В.; Мартини, H.; Солтан, В. (1998). «Теорема Куна – Такера». Геометрические методы и проблемы оптимизации. Нью-Йорк: Спрингер. С. 78–92. ISBN 0-7923-5454-0.
• Boyd, S.; Ванденберге, Л. (2004). «Условия оптимальности» (PDF). Выпуклая оптимизация. Издательство Кембриджского университета. С. 241–249. ISBN 0-521-83378-7.
• Kemp, Murray C.; Кимура, Йошио (1978). Введение в математическую экономику. Нью-Йорк: Спрингер. С. 38–73. ISBN 0-387-90304-6.
• Рау, Николас (1981). «Множители Лагранжа». Матрицы и математическое программирование. Лондон: Макмиллан. С. 156–174. ISBN 0-333-27768-6.
• Nocedal, J.; Райт, С. Дж. (2006). Численная оптимизация. Нью-Йорк: Спрингер. ISBN 978-0-387-30303-1.
• Сундарам, Рангараджан К. (1996). «Ограничения неравенства и теорема Куна и Таккера». Первый курс теории оптимизации. Нью-Йорк: Издательство Кембриджского университета. С. 145–171. ISBN 0-521-49770-1.

• Условия Каруша – Куна – Таккера с выводом и примерами
• Примеры и учебные пособия по условиям KKT