第九章锥优化.docVIP

第九章 锥优化基础知识 姓 名： 毕军龙 学 号：座机电话号码 9.1锥 一个集合称为一个锥，如果它在正标量乘法下封闭。即，一个集合是一个锥若它满足：如果，则对所有的都成立。若一个锥不含有任何线，则称它是一个点锥。 9.2 介绍 本章和下一章中，我们针对锥优化问题及其在金融中的应用。锥优化指的是可行域由一组线性等式和锥成员确定的集合的最小化或最大化的问题。锥的定义和知识在附录B中。虽然锥不如线性优化和二次优化一样为我们熟知，但由于它们的广泛的实用性和适用性，锥优化问题变得越来越重要。 回忆第一章中锥优化问题的标准形式的定义 9.1 这里表示有限维向量空间中的一个闭凸锥。 若并且，这个问题是线性优化问题的标准形式。因此，锥优化是线性优化的推广。事实上，它比线性规划更具一般性，因为在这些问题的表示中可以用非多面体锥从而变成目标函数和约束条件都是非线性凸函数的特殊的优化类型。特别地，对线性优化问题（LP），二阶锥优化（SOCP）,和半定优化 SDP 来说，锥优化提供了一个强大的统一的框架。我们将在下面的内容中更加详细地描述这两种新的重要的锥优化类型： 1.二阶锥优化：当是一个二阶锥（也被称为二次锥，洛伦兹锥，和冰淇淋锥）时 9.2 2.半定优化：当是一个固定维数的半正定矩阵锥时（不妨记为） 9.3 9.3 二阶锥优化 SCOPs指的是含有二阶锥的锥优化。二阶锥是具有这样性质的锥：锥中的每个成员的第一个元素大于等于剩余元素的欧几里得范数。如公式（9.2）中的定义。 如图9.1中是一个三维二阶锥的的一部分。从图可以看出，三维二阶锥是一个延展到无穷远处的冰淇淋锥。观察到“切割”二阶锥，例如，在不同的角度用一个超平面和它相交可以得到圆集和椭圆集。任何凸二次约束条件可以被表示一个二阶锥（或它的旋转锥）和一个或多个超平面的组合。 图9.1：二阶锥 9.3.1 线性约束的椭球不确定性 考虑下面的单约束线性规划： 讨论目标函数确定但约束条件系数不确定的情况。假设约束条件系数属于一个椭圆不确定集： 我们的目标是在可行解中找到一个对所有来说使目标函数最小的解。换句话说就是解 固定，满足约束条件的鲁棒形式当且仅当 9.4 其中，及且 （9.4）中第二个最小化问题很简单。由于是常数，因此只需在约束下求的最小值即可。矢量和之间的角满足下面的三角函数变换： 或者。因为是常数，这个表达式是最小的当并且。这意味着在的反向，及-的方向上。正规化满足边界限制得到，见图9.2。代入有 9.5 从而得到不等式的鲁棒形式是 9.6 易知（9.6）可以用二阶锥等价地表示： 上面介绍的这种方法可以推广到多个约束条件的情况，只要不同约束条件的参数的不确定集是不相关的。因此，约束条件是椭圆不确定的鲁棒优化模型可以化为SOCPs。 图9.2：圆上线性函数的最小化 9.3.2 二次约束化为二阶锥优化 二阶锥约束可以等价地写为一个线性约束和一个二次约束的组合： 反过来，一个优化问题的任何凸二次约束都可以用一个二阶锥优化表示。如果我们有方法得到二阶锥优化的可行解，那么将凸二次优化转化为二阶锥优化是必要的。幸运的是，有个简单的方法使这个转化可行。 考虑下面二次约束： 9.7 左边的函数是凸的当且仅当是一个半正定矩阵，此时它是一个凸约束。假设是半正定的。此时，存在一个可逆矩阵，记为，满足。例如，的Cholesky因子满足这条性质。故，（9.7）可以化为 9.8 定义。则有， 这样，（9.8）等价为 从这个等价关系中，满足约束（9.7）只有当时，这恰好是假设的情形。 现在，可以很直接地观察到（9.7）等价于有一个二阶锥约束的线性方程的集合： 9.4 半定规划 在半定规划中，变量集可以用属于半正定矩阵锥并且满足一个线性方程的对称矩阵表示。如果对所有的，都成立，就称矩阵是半正定的。如果是对称的，则的所有特征值都是非负的。更强的条件是是正定的。如果对所有的且，都成立，就称矩阵是正定的。是对称矩阵时，正定等价于的特征值都是正数。 由于半正定矩阵和一个正数做乘法保持半正定性，因此半正定矩阵的集合是一个锥。事实上，这是一个凸锥。固定维（记为）半正定矩阵锥定义如下： 9.9 上式中，表示是一个对称半正定矩阵。图9.3中是2维半正定矩阵锥的图像描述。横轴表示的是对角元素，是二维对称矩阵和；纵轴表示的是非对角元素。元素在阴影部分的2维对称矩阵是半正定矩阵。和非负随机变量和二阶锥一样，半正定矩阵锥在某处是一个点或者角。还可以看到这个锥的凸性和边界是非线性的。 图9.3：半正定矩阵锥 半定规划起源于学科的多样性。Todd在文献[72]中对解法和很多应用进行了一个极好的介绍。半定约束的产生被普遍认为来自所谓的S-过程，它是文献[58]中提出的熟知的S-引理的推广： 引理9.1令是的二