标签：aligned SDP matrix lambda max 矩阵 mathcal 范数 Vert
正所谓我不能直接搜到答案就得让以后的小朋友能直接搜到答案。主要是不小心通了个宵，乱吃了好些很不健康还大概确乎过期了的东西，刚刚还喝了口过期牛奶（很绝），脑子不大清醒，不想搞作业，反正也不会还搞不完。
目录半正定规划(Semidefinite program)
半正定规划长这样：
\[\begin{aligned} \text{min} ~~~ & C \bullet X \\ \text{s.t.} ~~~ & A_i \bullet X = b_i, ~~~ i = 1, \dots, m \\ & X \succeq 0; \end{aligned} \]其对偶问题是：
\[\begin{aligned} \text{max} ~~~ & b^Ty \\ \text{s.t.} ~~~ & \sum_{i = 1}^{m} y_i A_i + S = C, \\ & S \succeq 0, \end{aligned} \]其中给定了常量 \(A_i \in \mathcal{SR}^{n \times n}\), \(b \in \mathcal{R}^m\), \(C \in \mathcal{SR}^{n \times n}\)，而变量是 \(X, S \in \mathcal{SR}^{n \times n}\)，\(y \in \mathcal{R}^m\)。
矩阵的2-范数（2-norm of a matrix）
向量 \(u \in \mathcal{R}^{n}\) 的2范数，即其欧式空间长度为：
\[\Vert u \Vert_2 = u^T u. \]矩阵 \(H \in \mathcal{R}^{m \times n}\) 的2-范数相应为:
\[\Vert H \Vert_2 = \max_{\Vert u \Vert_2 = 1} \Vert H u \Vert_2. \]这个东西可以被证明是矩阵 \(H^T H\) 的最大特征值的平方根，即 \(H\) 的最大奇异值。大致过程如下。
\[\Vert H u \Vert_2 = \sqrt{(Hu)^T (Hu)} = \sqrt{u^T H^T H u}. \]\(H^T H \in \mathcal{SR^{n \times n}}\)，即 \(H^T H\) 是对称半正定矩阵，那么可以特征分解（Eigendecomposition）
\[H^T H = Q \Lambda Q^T, \]其中 \(\Lambda \in \mathcal{R^{n \times n}}\) 为其特征值构成的对角矩阵，\(Q \in \mathcal{R^{n \times n}}\) 为对应的特征向量构成的正交矩阵。
分别用 \(\lambda_{\max} ( \cdot)\) 以及 \(\lambda_{\min} ( \cdot)\) 来表示矩阵的最大特征值和最小特征值，那么
\[\begin{aligned} u^T H^T H u &= u^T Q \Lambda Q^T u \\\\ &\leq u^T Q ~ [\lambda_{\max} ( H^T H) I ] ~ Q^T u \\\\ &= \lambda_{\max} ( H^T H) ~ u^T Q^T Q u \\\\ &= \lambda_{\max} ( H^T H) ~ \Vert H u \Vert_2. \end{aligned} \]那么代入原来的式子可以得到结果
\[\begin{aligned} \Vert H \Vert_2 &= \max_{\Vert u \Vert_2 = 1} \Vert H u \Vert_2 \\\\ &\leq \max_{\Vert u \Vert_2 = 1} \sqrt{\lambda_{\max} ( H^T H) ~ \Vert H u \Vert_2} \\\\ &= \sqrt{\lambda_{\max} ( H^T H)}. \end{aligned} \]好了写到这里发现这里不等式传递的好像有点不对，whatever，交都交了，我也懒得深究了。
以SDP描述最小化矩阵范数
用矩阵簇 \(H_i \in \mathcal{R}^{n \times n}\)，\(i = 0, 1, \cdots, k\)，和向量 \(x = (x_1, x_2, \cdots, x_k) \in \mathcal{R}^k\) 定义矩阵 \(H(x) = H_0 + x_1H_1 + \dots + x_kH_k\). 最小化其2-范数（\(\Vert H(x) \Vert_2\)）的问题可以被写为一个线性半正定优化问题。
由前文得到最小化 \(\Vert H(x) \Vert_2\)，即为最小化 \(\sqrt{\lambda_{\max} ( H(x)^T H(x))}\). 而
\[\begin{aligned} &\sqrt{\lambda_{\max} ( H(x)^T H(x))} \leq t \\\\ \Longleftrightarrow ~~~ & \lambda_{\max} ( H(x)^T H(x)) \leq t^2 \\\\ \Longleftrightarrow ~~~ & \lambda_{\max} ( H(x)^T H(x) - t^2 I) \leq 0 \\\\ \Longleftrightarrow ~~~ & \lambda_{\min} (t^2 I - H(x)^T H(x)) \geq 0 \end{aligned} \]最小的特征值大于等于零则所有的特征值都大于等于零，则 \(t^2 I - H(x)^T H(x) \succeq 0\). 等价于
\[\begin{bmatrix} tI&H(x)^T \\ H(x)&tI \end{bmatrix} \succeq 0. \]所以原问题可以写成
\[\begin{aligned} \text{min} ~~~ & t \\ \text{s.t.} ~~~ & \begin{bmatrix} tI&H(x)^T \\ H(x)&tI \end{bmatrix} \succeq 0. \end{aligned} \]欢迎指正，但我都已经交了。这课迟早挂。希望是个反向Flag。
参考
(PDF) Large Scale Optimization with Interior-Point Methods | Jacek Gondzio - Academia.edu
矩阵奇异值与矩阵范数之间有什么联系？ - 知乎 (zhihu.com)
03-凸优化问题 - 二十三岁的有德 - 博客园 (cnblogs.com)
标签：aligned,SDP,matrix,lambda,max,矩阵,mathcal,范数,Vert 来源： https://www.cnblogs.com/zerozhao/p/sdp_eg_norm2.html
本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享； 2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关； 3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关； 4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除； 5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。