内点法介绍(Interior-Point-).doc

内点法介绍（Interior Point Method） 在面对无约束的优化命题时，我们可以采用牛顿法等方法来求解。而面对有约束的命题时，我们往往需要更高级的算法。单纯形法（Simplex Method）可以用来求解带约束的线性规划命题（LP），与之类似的有效集法（Active Set Method）可以用来求解带约束的二次规划（QP），而内点法（Interior Point Method）则是另一种用于求解带约束的优化命题的方法。而且无论是面对LP还是QP，内点法都显示出了相当的极好的性能，例如多项式的算法复杂度。本文主要介绍两种内点法，障碍函数法（Barrier Method）和原始对偶法（Primal-Dual Method）。其中障碍函数法的内容主要来源于Stephen Boyd与Lieven Vandenberghe的Convex Optimization一书，原始对偶法的内容主要来源于Jorge Nocedal和Stephen J. Wright的Numerical Optimization一书（第二版）。为了便于与原书对照理解，后面的命题与公式分别采用了对应书中的记法，并且两者方法针对的是不同的命题。两种方法中的同一变量可能在不同的方法中有不同的意义，如 。在介绍玩两种方法后会有一些比较。障碍函数法Barrier MethodCentral Path举例原始对偶内点法Primal Dual Interior Point MethodCentral Path举例几个问题障碍函数法（Barrier Method）对于障碍函数法，我们考虑一个一般性的优化命题：minsubject tof0(x)fi(x)0,i=1,.,mAx=b(1) 这里 f0,.,fm:RnR 是二阶可导的凸函数。同时我也要求命题是有解的，即最优解 x 存在，且其对应的目标函数为 p。此外，我们还假设原命题是可行的（feasible）。此时，存在最优的对偶变量 和 ，与原始变量 x 一道，满足如下的KKT条件: f0(x)+i=1mifi(x)+ATAxfi(x)ifi(x)=0=b0,i=1,.,m0=0,i=1,.,m(2) 其中，ifi(x)=0 被称为Complementary Condition。我们可以看出，KKT条件中的不等式使得对KKT系统的求解难以为继，因此Barrier Method的思想就是通过在原始的目标函数中添加一个障碍函数（也可以理解成惩罚函数）来代替约束条件中的不等式约束。也就是说，把命题(1)变成下面的样子：minsubject tof0(x)+i=1mI(fi(x)Ax=b(3) 然后我们再考虑 I(u) 这个函数究竟选择什么样的一种函数好呢，其实最好是像一堵墙的一样的函数，在没有违反约束时，函数值为0，当违反约束时，函数值为正无穷，就像下图中红色虚线这样一个函数 但是很可惜，红色虚线的这个函数在某些点上是不可导的，因此并不适用，那么下面的想法就是用类似的函数，比如上图中的几条蓝色曲线表示的函数来近似这个函数。这样一个近似的函数的表达式如下：I(u)=(1/t)log(u) 其中 t 是用于调整近似程度的参数，从上图可以看出，t 越大近似效果越好。将上面的近似函数替换到(3)的优化命题中，可以得到如下的一个近似的优化命题：minsubject tof0(x)+i=1m(1/t)log(fi(x)Ax=b(4) 这里我们定义如下的对数障碍（logarithmic barrier）：(x)=i=1mlog(fi(x)(5) 因此，我们后面的讨论就集中与下面这个命题：minsubject totf0(x)+(x)Ax=b(6) Central Path针对(6)中不同的 t>0 值，我们定义 x(t) 为相应优化命题的解。那么，central path 就是指所有点 x(t),t>0 的集合，其中的点被称为 central points。central path 上的点满足如下的充分必要条件，首先 x(t) 都是严格可行的，即：Ax(t)=b,fi(x(t)<0,i=1,.,m此外还存在对偶变量 使得下面的等式成立（Lagrangian函数的导数为0）：0=tf0(x(t)+(x(t)+AT=tf0(x(t)+i=1m1fi(x(t)fi(x(t)+AT(7)我们可以从对偶变量的角度进一步研究上式，给等号两边都乘上 1t ，我们有：0=f0(x(t)+i=1m1tfi(x(t)fi(x(t)+ATt 我们发现如果令i(t)=1tfi(x(t),=t(8) 就取得了与(2)式中的第一个等式基本一致的结果。也就是说，x(t) 能最小化 Lagrangian函数 L(x,)=f0(x)+i=1mifi(x)+T(Axb) 即，(t) 和 (t) 是原命题(1)的一组可行的对偶变量（dual feasible），其实可以理解为能使 Lagrangian函数倒数为0的就是 dual feasible 的。那么此时，对偶命题的目标函数值为：g(t),(t)=f0(x(t)+i=1mi(t)fi(x(t)+(t)T(Ax(t)b)=f0(x(t)mt 上式中的等号可能有点难以理解，但其实就是把(8)式代入的结果。如果我们记原命题(1)的目标函数的最小值为 p ，那么由优化命题的对偶理论可知（可以参考另一篇博文优化命题的对偶性（Duality）f0(x(t)mtq 即 f0(x(t)qmt 从这里可以形象地看出，随着 t 取值增大，x(t) 可以最终收敛到最优解。其中，原始命题与对偶命题的解的差，即 f0(x(t)q 被称为 duality gap。因此这里可以给出一个 Barried Method 算法的框架（来自Convex Optimization, Algorithm 11.1）：Barrier Method given strictly feasible x,t:=t(0)>0,>1,tolerance >0 repeat Centering step. Compute x(t) by minimizing tf0+, subject to Ax=b, starting at x.Update. x:=x(t).Stopping criterion. quit if m/t<.Increase t. t=t举例这里用一个例子进行一些补充说明。考察一个简单的线性规划：mincTxsubject to x0 首先令 c=(11),t(0)=4，x 的初始点为(1.3,1) 下面两图是第一次迭代，t=4 时的 tf0(x)+(x) 函数图象和平面的等高图，同时第二张图上还标出了迭代点的轨迹。 下面是t=8 时的 tf0(x)+(x) 函数图象和平面的等高图，同时第二张图上还标出了迭代点的轨迹。 对于本例，central path 就是 x1=x2 这条直线。从迭代点的轨迹可以看出，在第一次迭代后，迭代点一直在central path上移动。其实对于Barrier Method，我自己之前有个疑问就是，既然我们知道在 x(t) 处的目标函数值与最优解的差肯定小于 mt，那为什么不直接给一个较大的 t 值通过较少的几次迭代就能算出最有解了呢。真对这一问题，原因可能是这样的，Barrier Method的计算量是由内外两层迭代组成的，外层对 t 进行更新：t=t，内层用牛顿法求 tf0+ 的解。有仿真结果表明，随着 值的加大，总的计算量（牛顿迭代次数）在呈现一定阶段的下降后并没有明显下降。而对与 值的选取则是一个内层迭代次数和外层迭代次数的权衡。 值较大时，外层迭代次数少，内层迭代次数多； 值较小时情况则相反。一般来说 的取值在 10到20 之间比较合适。原始对偶内点法（Primal Dual Interior Point Method）在 Primal Dual 的方法中，我们直接考虑一个标准的 LP 命题。mincTx,subject to Ax=b,x0(9) 它的对偶命题为：maxbT,subject to AT+s=c,s0(10) 上面两个命题的KKT条件为： AT+sAxxisi(x,s)=c,=b,=0,i=1,.,n0.(11a)(11b)(11c)(11d) 为了后面的推导方便，将上面的KKT条件化为矩阵形式如下：F(x,s)=AT+scAxbXSe(x,s)=0.0,(12a)(12b) 其中，X=diag(x1,x2,.,xn),S=diag(s1,s2,.,sn),e=(1,1,.1)T如同一般的优化算法，这里需要定义一个量来检验当前的迭代点与最优点的差距。在Barrier Method中，使用 duality gap 的上界 mt 来检验的，在 Primal Dual Method 中，我们定义一个新的 duality measure 来进行某种衡量：=1ni=1nxisi=xTsn 注意：这里的 与 Barrier Method 中的 意义不同，为了与各自书中的表达方式对应，分别选用了各自书中的变量记法。要求解原始的优化命题，需要做的就是去求解 (12) 这样一个方程组，由于 F 阵第三行中 XS 一项的存在，因此这是一个非线性系统。要求解这样一个非线性系统，一种实用的方法就是牛顿法。（注意，这里说的牛顿法是一种求解非线性方程组的方法，与求解优化命题的牛顿法并不完全一样，但核心思路是一致的，都是在迭代点处进行二阶展开。）在当前点处求解一个前进方向，并通过迭代逼近非线性系统的解。J(x,s)xs=F(x,s) 其中 J 是F 阵的雅各比矩阵。我们将 F 阵中的前两行分别记为：rb=Axb,rc=AT+sc(13) 那么在每次迭代中需要求解的线性系统为：0ASAT00I0Xxs=rcrbXSe 因此，在求解得到相应的前进方向后，需要做的就是求解确定一个步长 来进行如下的更新 (x,s)+(x,s) 其中 (0,1 的选取要使得原始变量和对偶变量都满足相应的约束。看起来这种方法似乎已经可以了，但通过这种被称为 affine scaling direction 的方向所得到的 往往很小。也就是说，很难在迭代中取得进展。一开始看到这个说法时，我也很难理解这句话的意思。所以在这里我们用一个图来说明，令 (9) 中的 c=(101)，初始点为(0.7,2)，这里不考虑等式约束，直接采用affine scaling direction 的方向得到的迭代点的轨迹为 从图中可以看出，几乎在从第二次迭代开始，迭代点就一头撞上了约束。后面的迭代也只能贴着约束的边缘来走，因为要保迭代点不能违反约束，因此每次的步长 都只能取得很小。在这一过程中，一共进行了11次迭代才使得 duality measure <105 。因此，实际上内点法采用的是一个不那么 aggressive 的牛顿方向，也就是控制迭代点使其徐徐想约束边界和最优点处靠近。具体的方法是，我们在用牛顿法求解非线性系统时，在每次迭代中并不要求直接实现 xisi=0，而是令其等于一个逐渐减少的值，具体来说就是 xisi=，其中 是当前的 duality measure，0,1 是用于控制下降速度的下降因子。也就是说，在每次迭代中要求解的方程组应该是 0ASAT00I0Xxs=rcrbXSe+e(14) 其中， 被称为 center parameter 。意在表示我们要通过调整 使得迭代点的轨迹在 central path 附近。Central Path在内点法中，central path 是指满足下面一组方程式的迭代点所组成的所组成的一条弧线 AT+sAxxisi(x,s)=c,=b,=,i=1,2.n.>0(15a)(15b)(15c)(15d) 这与 (11) 中的KKT 条件的区别就在于在第三个条件的等式右端的 0 被 >0 替代了。也就是说，对偶内点法的基本思路就是依据 central path 计算出相应的方向，并控制步长 的选择使得迭代点位于 central path 的某一个邻域内。（有关central path 的邻域的内容，和具体的原始对偶内点法的算法在这里不作详细说明，有兴趣这可以参考相应书籍。）关于步长 的选取，central parameter 的更新，以及更多的收敛性分析的内容，在这里不作展开。举例与上一张图对应，我们同样取 c=(101)，初始点为(0.7,2)，不考虑等式约束。采用对偶内点法的迭代点的轨迹为 可以看出，引入 central path 后，迭代点能在贴近约束边界后再次远离约束边界（也就是靠近 central path） ，从而保证下一次迭代能取得更大的进步。在这一过程中，一共进行了6次迭代就使得 duality measure <105 。几个问题1 Barrier Method 中的 central path 与 Primal Dual Method 中的 central path 是不是一个东西？是一个东西，我们可以从优化命题的 Lagrangian 函数这一角度出发分析这一点。Barrier Method 中的优化命题的 Lagrangian 函数为：L(x,)=f0(x(t)+i=1m1tfi(x(t)fi(x(t)+T(Ax(t)b)=f0(x(t)+i=1mifi(x(t)+T(Ax(t)b)=f0(x(t)mt Primal Dual Method 中优化命题的 Lagrangian 函数为：L(x,s,)=cTxi=1nxisiT(Axb)从这里我们可以看出来，Barrier Method 中我们控制 t 使得 duality gap 为 mt，在Primal Dual 内点法中我们控制 ni=1xisi= 其实是一致的。而且有 mt= 这样一个关系的存在。因此我们在 Barrier Method 中增加 t 和与在 Primal Dual 的方法中使 下降其实是在做一件事情。2 Central Path 有啥好处？从上面的举例可以看出，如果没有 central path ，迭代点往往非常靠近约束边界。如果我们能够将迭代点拉回到 central path 附近，那么即使这次迭代对与目标函数下降的贡献不大，那么也可以使得在下次迭代时目标函数能够取得较大下降。此外，central path 还对算法的热启动（warm start）有影响。因为在很多场合（例如 MPC），我们需要求解一系列结构