Optimierte lokale Modelle in der nichtlinearen Zeitreihenanalyse
Optimierte lokale Modelle in der nichtlinearen Zeitreihenanalyse
Optimierte lokale Modelle in der nichtlinearen Zeitreihenanalyse
Erfolgreiche ePaper selbst erstellen
Machen Sie aus Ihren PDF Publikationen ein blätterbares Flipbook mit unserer einzigartigen Google optimierten e-Paper Software.
Anhang B. Nichtl<strong>in</strong>eare Optimierung Seite 105<br />
zweite Bed<strong>in</strong>gung (B.3) (komplementärer Schlupf) besagt, dass entwe<strong>der</strong> λ i o<strong>der</strong><br />
c i (x 0 ) o<strong>der</strong> beide Null se<strong>in</strong> müssen. Falls λ i = 0, ist die Nebenbed<strong>in</strong>gung c i bei x 0<br />
nicht b<strong>in</strong>dend (<strong>in</strong>aktiv), d.h. das M<strong>in</strong>imum von f(x) liegt im Inneren und nicht auf<br />
dem Rand <strong>der</strong> durch die Nebenbed<strong>in</strong>gung c i def<strong>in</strong>ierten Menge.<br />
Bei vielen Optimierungsproblemen bestehen Nebenbed<strong>in</strong>gungen dar<strong>in</strong>, primale Variablen<br />
auf positive Werte zu beschränken 1 (Nichtnegativitätsbed<strong>in</strong>gungen). Zur Vere<strong>in</strong>fachung<br />
<strong>der</strong> Notation gelte dies gerade für die ersten k ≤ d primalen Variablen.<br />
Die Lagrange-Funktion lautet dann<br />
˜L(x, λ, η) = f(x) +<br />
m∑<br />
k∑<br />
λ i c i (x) + η j (−x j )<br />
i=1<br />
j=1<br />
(B.10)<br />
und die KKT-Bed<strong>in</strong>gungen (B.2)-(B.4) liefern bei konvexen Problemen das globale<br />
M<strong>in</strong>imum. Die zu den Nichtnegativitätsbed<strong>in</strong>gungen gehörenden Lagrange-<br />
Multiplikatoren η j können aber auch gleich Null gesetzt werden (d.h. man verwendet<br />
(B.5) als Lagrange-Funktion) und durch die zusätzlichen Bed<strong>in</strong>gungen<br />
∂L(x 0 , λ 0 )<br />
∂x i<br />
≥ 0 , i = 1, . . . , k (B.11)<br />
x i · ∂L(x 0, λ 0 )<br />
∂x i<br />
= 0 , i = 1, . . . , k . (B.12)<br />
an die primalen Variablen x 1 , . . . , x k ersetzt werden. Falls <strong>in</strong> (B.12) gerade x i = 0<br />
gilt, handelt es sich hier um e<strong>in</strong> Randm<strong>in</strong>imum, für x i > 0 um e<strong>in</strong> <strong>in</strong>neres M<strong>in</strong>imum<br />
bezüglich <strong>der</strong> i-ten Koord<strong>in</strong>ate.<br />
B.2 Duale Formulierung<br />
Unter e<strong>in</strong>er Dualfunktion versteht man e<strong>in</strong>e Funktion F (x) die e<strong>in</strong>e Schranke für<br />
die zu optimierende Primalfunktion f(x) darstellt. Ist wie <strong>in</strong> diesem Fall die Primalfunktion<br />
zu m<strong>in</strong>imieren, so ist die Dualfunktion e<strong>in</strong>e untere Schranke für die<br />
Primalfunktion. E<strong>in</strong>e Möglichkeit zur Formulierung e<strong>in</strong>er Dualfunktion bietet die<br />
Lagrange-Funktion, <strong>in</strong>dem die M<strong>in</strong>imierung von f(x) <strong>in</strong> den primalen Variablen<br />
(B.1) auf e<strong>in</strong>e Maximierungsproblem <strong>in</strong> den dualen Variablen λ i transformiert wird.<br />
Um dies zu zeigen, werden zunächst die notwendigen Bed<strong>in</strong>gungen für e<strong>in</strong> M<strong>in</strong>imum<br />
<strong>der</strong> Lagrange-Funktion (B.5) bezüglich <strong>der</strong> primalen Variablen x i betrachtet. Bei<br />
ξ (∗)<br />
i<br />
1 Solche Bed<strong>in</strong>gungen existieren auch beim SV-Problem <strong>in</strong> <strong>der</strong> Form, dass die Schlupfvariablen<br />
positiv se<strong>in</strong> müssen.