Optimalitätsbedingungen für unrestringierte Optimierungsprobleme

Notwendige Bedingungen → Optimalpunkte auffinden Hinreichende Bedingungen → Punkt auf Optimalität überprüfen

Ist $\tilde{x}$ lokales Minimum (stetig in $\tilde{x}$) von $(P_u)$ dann gilt: $\nabla f(\tilde{x}{)}^{T}d\ge 0$ $\forall d\in {\mathbb{R}}^n$ Da diese Aussage für alle Richtungen gilt, gilt sie auch für $-d$ woraus durch Umformung die Notwendige Optimalitätsbedingung erster Ordnung unrestringierter Probleme folgt.

Diese Bedingung führt zu einer direkten Lösung der Linearen Regression mit ${\tilde{x}}_1=\frac{{\sum }_{i=1}^m{\xi }_i{\eta }_i-\frac{1}{m}{\sum }_{i=1}^m{\xi }_i{\sum }_{i=1}^m{\eta }_i}{{\sum }_{i=1}^m{\xi }_i^2-\frac{1}{m}{\left({\sum }_{i=1}^m{\xi }_i\right)}^2},{\tilde{x}}_2=\frac{1}{m}\left({\sum }_{i=1}^m{\eta }_i-{\tilde{x}}_1{\sum }_{i=1}^m{\xi }_i\right).$

Ein Sattelpunkt ist ein spezieller Stationärer Punkt, bei dem $f$ weder das lokales Minimum noch das lokales Maximum ist.

Um zwischen Minima, Maxima und Sattelpunkten zu unterscheiden muss das Krümmungsverhalten untersucht werden. Dies führt auf die Notwendige Optimalitätsbedingung zweiter Ordnung.

Allerdings reichen selbst beide Bedingungen nicht aus um sicher zu gehen, dass ein Minimum vorliegt. Durch eine Verschärfung der Bedingung zweiter Ordnung ist es allerdings möglich auf die Hinreichende Optimalitätsbedingung zweiter Ordnung zu kommen.

Optimalitätsbedingungen

• Notwendige Optimalitätsbedingung erster Ordnung unrestringierter Probleme
• Notwendige Optimalitätsbedingung zweiter Ordnung
• Hinreichende Optimalitätsbedingung zweiter Ordnung

Aus Konvexität folgt direkt, dass $\tilde{x}$ eine globale Lösung ist, wenn $\nabla f(\tilde{x})=0$ ist.