拉格朗日乘子法处理约束优化的原理
哪些公司问过
答案要点
- 构造拉格朗日函数,把约束乘以乘子加到目标上,转为无约束问题
- 几何直觉:最优点处目标梯度与约束梯度共线
- 不等式约束对应KKT条件:平稳性、原始可行、乘子非负、互补松弛
- 弱对偶下对偶函数给出原问题下界,凸问题满足Slater条件时强对偶成立
- KKT一般是必要条件,凸问题下同时是充分条件
易错点
- 不等式约束的乘子没有要求非负
- 以为KKT对任何问题都是充分条件,非凸问题只是必要条件
- 混淆弱对偶和强对偶,强对偶需要凸性和约束规范条件
面试官常见追问
- SVM的KKT条件是什么?
- SVM为什么要转成对偶问题求解?
- 互补松弛条件怎么理解?
完整的口述示范答案、每个追问的参考回答,在启面刷题中心查看;也可以让 AI 面试官用语音按这道题连环追问你。