Alpha-Unterschätzer

Die zulässige Menge muss für den α\alpha-Unterschätzer ein Quader mit unteren Schranken xi\underline{x}_i und oberen Schranken xˉi\bar{x}_i sein. Für ein α[0,)n\alpha\in[0,\infty)^n heißt die Funktion

f^α(x):=f(x)+i=1nαi(xixi)(xˉixi)=:ϕα(x)\hat{f}_{\alpha}(x):=f(x)+\underbrace{\sum_{i=1}^{n} \alpha_{i}\left(\underline{x}_{i}-x_{i}\right)\left(\bar{x}_{i}-x_{i}\right)}_{=: \phi_{\alpha}(x)}

Alpha-Unterschätzer von ff.

Dabei ist ϕα\phi_{\alpha} der konvexe Teil der Funktion, da es ein Polynom zweiten Grades mit positiven Koeeffizienten ist. Das heißt, damit wir die Funktion konvex unterschätzen können sollte dieser Teil die Funktion überwiegen. Wir wollen α\alpha also groß genug wählen um Konvexität zu erreichen. Gleichzeitig sollte α\alpha aber auch so klein wie möglich sein um den enstandenen Fehler (Relaxierungsfaktor) so gering wie möglich zu halten. Eine gutes Maß für die Wahl von α\alpha bietet:

λmin+2mini{1,,n}αi0\lambda_{\min }+2 \min _{i \in\{1, \ldots, n\}} \alpha_{i} \geq 0

denn der Unterschätzer ist konvex falls diese Ungleichung gilt, wobei λi\lambda_i dem kleinsten Eigenwert der Hessematrix von ff entspricht.

Es lässt sich der kleinste Eigenwert einer symmetrischen Matrix AA abschätzen durch:

λminx2xAxλmaxx2\lambda_{\min }\|x\|^{2} \leq x^{\top} A x \leq \lambda_{\max }\|x\|^{2}

Beweis: Übungsaufgabe

Bildschirmfoto 2022-07-30 um 11.58.22.png