[论文解读] Exact relaxation for polynomial optimization on semi-algebraic sets

Marta Abril Bucero, Bernard Mourrain|arXiv (Cornell University)|Jul 24, 2013

Advanced Optimization Algorithms Research参考文献 25被引用 7

一句话总结

本文通过利用Karush-Kuhn-Tucker（KKT）条件，提出了一种针对半代数集上全局多项式优化的精确半定规划（SDP）松弛方法。证明了当最小值被达到时，基于KKT的SDP层级可在有限步内收敛，且即使KKT理想非零维，也能通过时刻矩阵的核恢复最小值点。

ABSTRACT

In this paper, we study the problem of computing by relaxation hierarchies the infimum of a real polynomial function f on a closed basic semialgebraic set and the points where this infimum is reached, if they exist. We show that when the infimum is reached, a relaxation hierarchy constructed from the Karush-Kuhn-Tucker ideal is always exact and that the vanishing ideal of the KKT minimizer points is generated by the kernel of the associated moment matrix in that degree, even if this ideal is not zero-dimensional. We also show that this relaxation allows to detect when there is no KKT minimizer. We prove that the exactness of the relaxation depends only on the real points which satisfy these constraints.This exploits representations of positive polynomials as elementsof the preordering modulo the KKT ideal, which only involves polynomials in the initial set of variables. Applications to global optimization, optimization on semialgebraic sets defined by regular sets of constraints, optimization on finite semialgebraic sets, real radical computation are given.

研究动机与目标

• 开发一种针对半代数集上全局多项式优化的有限收敛SDP松弛方法。
• 解决现有方法在KKT理想非零维或不存在KKT点时失效的局限性。
• 提供一个统一框架，用于检测不可行性并恢复所有全局最小值点，包括标准KKT条件未捕捉到的点。
• 仅基于满足约束的实解，通过模KKT理想的预序表示，证明松弛的精确性。
• 将时刻-SOS方法的应用范围扩展至非紧致和非完整交集的半代数集。

提出的方法

• 基于KKT理想构建时刻-SOS层级，将等式与不等式约束整合进单一预序框架。
• 将Karush-Kuhn-Tucker（KKT）条件作为额外的多项式约束，用于定义修改后的优化问题。
• 对由原始约束和KKT理想生成的预序应用Lasserre SDP松弛层级。
• 通过时刻泛函的Hankel矩阵的平坦延拓条件检测有限收敛。
• 在收敛阶次通过计算时刻矩阵的核来恢复最小值点。
• 利用Fritz John流形检测不存在KKT点的情形，从而实现对最小化问题不可行性的检测。

实验结果

研究问题

• RQ1 在何种条件下，基于KKT的SDP层级可在有限步内收敛于半代数集上的多项式优化？
• RQ2 当KKT理想非零维时，是否仍能通过时刻矩阵的核精确恢复最小值点？
• RQ3 当不存在KKT点时，该松弛方法如何检测不可行性，特别是在非紧致或奇异情形下？
• RQ4 模KKT理想的预序在确保松弛精确性方面起到何种作用？
• RQ5 该方法能否以统一框架处理紧致、有限及非紧致半代数集上的全局优化？

主要发现

• 当下确界被达到时，无论KKT理想是否为零维，基于KKT的SDP层级均可在有限步内精确收敛。
• 在收敛阶次下，时刻矩阵的核可生成最小值点的理想，从而实现对所有最小值点的精确恢复。
• 对于带扰动的Motzkin多项式，该算法在阶次5收敛，而Gloptipoly在相同条件下无法收敛。
• 在例7.6中，最小值点理想为非零维，定义了六条直线，且在阶次5下时刻矩阵的核正确识别出该理想。
• 在环面示例中，最小值点理想 $I_{\text{min}} = (x^2 + y^2 - 4, z + 1)$ 被精确恢复，对应于一个最小值点的圆。
• 该方法通过Fritz John流形检测不可行性，并在无KKT点存在时避免虚假收敛。