二次规划

一个有n个变数与m个限制的二次规划问题可以用以下的形式描述。首先给定：

• 一个n 维的向量 c
• 一个n × n 维的对称矩阵Q
• 一个m × n 维的矩阵A
• 一个m 维的向量 b

则此二次规划问题的目标即是在限制条件为

${\displaystyle Ax\leq b}$ 

的条件下，找一个n 维的向量 x ，使得

${\displaystyle f(x)=(1/2)x^{T}Qx+c^{T}x}$ 

为最小。其中${\displaystyle x^{T}}$ 是${\displaystyle x}$ 的转置。

根据不同的参数特性，可以得到对问题不同的结论

• 如果Q是半正定矩阵，那么f(x)是一个凸函数。相应的二次规划为凸二次规划问题；此时若约束条件定义的可行域不为空，且目标函数在此可行域有下界，则该问题有全局最小值。
• 如果Q是正定矩阵，则该问题有唯一的全局最小值。
• 若Q为非正定矩阵，则目标函数是有多个平稳点和局部极小点的NP问题。
• 如果Q=0，二次规划问题就变成线性规划问题。

根据优化理论，一个点x成为全局最小值的必要条件是满足Karush-Kuhn-Tucker条件（KKT）。当f(x)是凸函数时，KKT条件也是充分条件。

当二次规划问题只有等式约束时，二次规划可以用线性方程求解。否则的话，常用的二次规划解法有：

• 内点法(interior point)
• active set
• 共轭梯度法
• 椭球法 若Q为正定矩阵，则相应的二次规划问题可由椭球法在多项式时间内求解。
• 增广拉格朗日法
• 梯度投影法

凸集二次规划问题是凸优化问题的一个特例。

每个二次规划问题的对偶问题也是二次规划问题。以正定矩阵Q为例：

${\displaystyle L(x,\lambda )=(1/2)x^{T}Qx+\lambda ^{T}(Ax-b)+c^{T}x}$ 

对偶问题${\displaystyle g(\lambda )}$ ，可定义为

${\displaystyle g(\lambda )=\inf _{x}L(x,\lambda )}$ 

可用${\displaystyle \nabla _{x}L(x,\lambda )=0}$ :得到${\displaystyle L}$ 的极小

${\displaystyle x*=-Q^{-1}(A^{T}\lambda +c)}$ ,

对偶函数：

${\displaystyle g(\lambda )=-(1/2)\lambda ^{T}AQ^{-1}A^{T}\lambda -c^{T}Q^{-1}A^{T}\lambda -b^{T}\lambda }$ 

对偶问题为：

maximize :${\displaystyle -(1/2)\lambda ^{T}AQ^{-1}A^{T}\lambda -(c^{T}Q^{-1}A^{T}+b^{T})\lambda }$ 

subject to :${\displaystyle \lambda \geq 0}$ 

当Q正定时，用椭圆法可在多项式时间内解二次规划问题。当Q非正定时，二次规划问题是NP困难的。即使Q只存在一个负特征值时，二次规划问题也是NP困难的。 ^[1][2]