Loading [MathJax]/jax/element/mml/optable/GeneralPunctuation.js

数学物理学报, 2022, 42(3): 651-660 doi:

论文

一类非凸约束优化问题的近似最优性条件及其混合型对偶

王娇浪,, 方东辉,

吉首大学数学与统计学院 湖南吉首 416000

Approximate Optimality Conditions and Mixed Type Duality for a Class of Non-Convex Optimization Problems

Wang Jiaolang,, Fang Donghui,

College of Mathematics and Statistics, Jishou University, Hunan Jishou 416000

通讯作者: 方东辉, E-mail: dh_fang@jsu.edu.cn

收稿日期: 2021-08-12  

基金资助: 国家自然科学基金.  11861033
湖南省自然科学基金.  2020JJ4494
吉首大学科研基金.  Jdy20069
吉首大学科研基金.  JGY202139

Received: 2021-08-12  

Fund supported: the NSFC.  11861033
the NSF of Hunan Province.  2020JJ4494
the Scientific Research Fund of Jishou University.  Jdy20069
the Scientific Research Fund of Jishou University.  JGY202139

作者简介 About authors

王娇浪,E-mail:1334806781@qq.com , E-mail:1334806781@qq.com

Abstract

By using the properties of the Fréchet subdifferentials, we first introduce a new constraint qualification and then establish some approximate optimality conditions for the non-convex constrained optimization problem with objective function and/or constraint function being α-convex function. Moreover, some results for the weak duality, strong duality and converse-like duality theorems between this non-convex optimization problem and its mixed type dual problem are also given.

Keywords: Non-convex constraint optimization problem ; Constraint qualification ; Approximate optimality conditions ; Mixed type duality

PDF (298KB) 元数据 多维度评价 相关文章 导出 EndNote| Ris| Bibtex  收藏本文

本文引用格式

王娇浪, 方东辉. 一类非凸约束优化问题的近似最优性条件及其混合型对偶. 数学物理学报[J], 2022, 42(3): 651-660 doi:

Wang Jiaolang, Fang Donghui. Approximate Optimality Conditions and Mixed Type Duality for a Class of Non-Convex Optimization Problems. Acta Mathematica Scientia[J], 2022, 42(3): 651-660 doi:

1 引言

由于许多的实际问题都可以看成或转化为一个约束优化问题, 因此, 约束优化问题的研究受到了学者们的高度重视. 特别地, 许多学者研究了如下经典的凸约束优化问题

(P)inff(x)s.t.  ht(x)0,tT,xC,

其中C为Banach空间X的非空凸子集, T是任意(可能无限)指标集, f,ht:X¯R:=R{+},tT是真凸函数. 学者们利用内点条件、闭性条件、上图条件或次微分条件等, 建立了约束优化问题的KKT类最优性条件、Farkas引理、强对偶、全对偶等系列结论[1-5].

注意到, 问题(P)的最优性条件的研究大都集中在最优解的特征刻画上. 事实上, 约束优化问题的最优解并不总是能找到的. 因此, 我们往往需要寻找其近似解. 于是, 约束优化问题的近似解的特征刻画引起了学者们的极大兴趣. 例如, 文献[6] 利用上图类条件, 等价刻画了凸约束优化问题的ε -最优解; 文献[7-9]则利用上图类条件, 建立了凸优化问题的拟ε -最优性条件.

注意到, 上述结论都是在假设目标函数和约束函数是凸函数的情形下得到的, 而这些凸性假设在一定程度上限制了约束优化问题在实际生活中的应用. 因此, 如何在函数不具有凸性的情形下建立约束优化问题的最优解或近似解的特征刻画就成为了最优化理论中的一个热点问题. 近年来, 部分学者对非凸约束优化问题进行了研究, 并得到了一系列有意义的结论[10-15]. 特别地, 文献[10] 在目标函数为ε -半凸函数的情形下, 利用函数Clarke次微分性质, 建立了非凸优化问题的近似最优性条件及其混合型对偶理论; 文献[11] 在目标函数和约束函数为广义凸函数的假设下, 利用Mordukhovich次微分的性质, 引入一类次微分类约束规范条件, 建立了非凸优化问题的近似解的特征刻画.

受上述文献的启发, 本文首先引入一类新的非凸约束优化问题, 即目标函数和约束函数为α -凸函数. 显然, 凸函数一定是α -凸函数, 而α -凸函数不一定是凸函数. 利用函数Fréchet次微分的性质, 引入新的约束规范条件, 建立该类非凸约束优化问题的近似解的特征刻画. 进一步, 通过定义该非凸约束优化问题的混合型对偶问题, 建立了原问题与混合型对偶问题之间的弱对偶, 强对偶等.

2 记号与定义

X是Banach空间, XX的对偶空间, 拓扑w(X,X). x,x表示泛函xXxX处的值, 即x,x=x(x). B表示X上的闭单位球. 记ξX的范数为, 定义为

\|\xi\|: = \sup\{\langle\xi, d\rangle|d\in X, \|d\|\leq1\}.

设集合 C X 的非空集合, {\rm co}\, C {\rm cone}\, C 分别表示集合 C 的凸包和凸锥包. 对于非空凸集 C , 有 C = {\rm co}\, C . 集合 C 的示性函数定义为

\delta_C(x) : = \left\{\begin{array}{ll} 0, &{x\in C, }\\ +\infty, &\rm{其它}. \end{array}\right.

T 是任意(可能无限)指标集, 记 {\Bbb R}^{(T)}: = \{\lambda = (\lambda_t)_{t\in T}:\rm{只有有限多个}\lambda_t\neq0\}, {\Bbb R}_+^{(T)} 表示 {\Bbb R}^{(T)} 上的非负锥, 即

{\Bbb R}_+^{(T)}: = \{(\lambda_t)_{t\in T}\in{\Bbb R}^{(T)}:\lambda_t\geq0, t\in T\}.

f:X\rightarrow \overline{{{\Bbb R}}} 为真凸函数. 定义 f 的有效定义域, 上图和共轭函数分别为

{\rm dom}f: = \{x\in X:f(x)<+\infty\},

{\rm epi}f: = \{(x, r)\in X\times {\Bbb R}:f(x)\leq r\},

f^\ast(x^\ast): = {\rm\sup }\{\langle x^\ast, x\rangle-f(x):x\in X\}, \forall x^\ast\in X^\ast.

定义函数 f 在点 x\in {\rm dom}f 处的次微分为

\begin{equation} \partial f(x): = \{x^\ast\in X^\ast:f(x)+\langle x^\ast, y-x\rangle\leq f(y), \forall y\in X\}. \end{equation}
(2.1)

由定义可知, Young-Fenchel不等式和Young等式成立, 即

\begin{equation} f(x)+f^\ast(x^\ast)\geq\langle x^\ast, x\rangle,\ \ \forall(x, x^\ast)\in X\times X^\ast, \end{equation}
(2.2)

\begin{equation} f(x)+f^\ast(x^\ast) = \langle x^\ast, x\rangle\Leftrightarrow x^\ast\in\partial f(x). \end{equation}
(2.3)

定义集合 C 在点 x_0 处的法锥为

N(x_0;C): = \partial \delta_C(x_0) = \{x^\ast\in X^\ast:\langle x^\ast, x-x_0\rangle\leq0, \forall x\in C\}.

\varphi:X\rightarrow \overline{{{\Bbb R}}} 为实值延拓函数, x\in {\rm dom}\varphi 满足 |\varphi(x)|<\infty , 定义 \varphi 在点 x 处的Fréchet次微分为(参看文献[14]):

\hat{\partial}\varphi(x): = \bigg\{x^\ast\in X^\ast:\lim\inf\limits_{y\rightarrow x}\frac{\varphi(y)-\varphi(x)-\langle x^\ast, y-x\rangle}{\|y-x\|}\geq0\bigg\}.

注意到, 当 \varphi 为凸函数时, 则 \hat{\partial}\varphi(x) = \partial\varphi(x) , \forall x\in {\rm dom}\varphi . \varphi 在点 x 处Fréchet可微, 且梯度为 \nabla\varphi(x) , 则 \hat{\partial}\varphi(x) 是单点集, 记为 \{\nabla\varphi(x)\} . 显然, 由Fréchet次微分的定义可知

\begin{equation} x_0 \rm{是} \varphi \rm{的最小值点}\Rightarrow 0\in\hat{\partial}\varphi(x_0). \end{equation}
(2.4)

定义2.1[15]   令 \alpha\geq0, f:X\rightarrow \overline{{{\Bbb R}}} 为真函数. 若对任意的 x, y\in X \lambda\in[0, 1],

f(\lambda x+(1-\lambda)(y))\leq\lambda f(x)+(1-\lambda)f(y)+\alpha\lambda(1-\lambda)\|x-y\|,

则称函数 f \alpha -凸函数. 特别地, 若 \alpha = 0 , 则 f 为经典的凸函数.

引理2.2[15]  令 \alpha\geq0, f \alpha -凸函数. 若 x^\ast\in\hat{\partial}f(x) , 则

f(y)\geq f(x)+\langle x^\ast, y-x\rangle-2\alpha\|x-y\|,\ \ \forall y\in X.

引理2.3[9]  设 f, g:X\rightarrow \overline{{{\Bbb R}}} 是真凸函数, {\rm dom}f\cap {\rm dom}g\neq\emptyset . f g {\rm dom}f\cap {\rm dom}g 上有连续点, 则

\partial(f+g)(x) = \partial f(x)+\partial g(x),\ \ \forall x\in {\rm dom}f\cap {\rm dom}g.

引理2.4[16]   令 \varphi, \psi:X\rightarrow \overline{{{\Bbb R}}} . \varphi 在点 x 处Fréchet可微, \psi 在点 x 处有限, 则

\hat{\partial}(\varphi+\psi)(x) = \nabla \varphi(x)+\hat{\partial}\psi(x).

3 近似最优性条件

f, h_t:X\rightarrow \overline{{{\Bbb R}}}, t\in T 为真函数, A: = \{x\in C:h_t(x)\leq0, t\in T\} 为问题 (P) 的可行集. 令 x\in A , 定义 A(x): = \{\lambda\in {\Bbb R}_+^{(T)}:\lambda_th_t(x) = 0, t\in T\} , T(x): = \{t\in T:h_t(x) = 0\}. 注意到, 为简化问题的处理, 文献[17-19] 均假设 A 是凸集, 并在此假设下建立了约束优化问题的KKT类最优性条件. 受上述文献的启发, 本文总假设 A 是凸集. 类似于文献[20]中的定义3.2, 我们引入如下约束规范条件.

定义3.1   令 x\in A .

\begin{equation} N(x;A)\subseteq N(x;C)+\bigcup\limits_{\lambda\in A(x)}\sum\limits_{t\in T}\lambda_t\hat{\partial}h_t(x), \end{equation}
(3.1)

则称系统 \{\delta_C; h_t:t\in T\} 在点 x 处满足 (ABCQ) 条件. 若对任意的 x\in A , (3.1) 式成立, 则称该系统满足 (ABCQ) 条件.

定义3.2   令 \varepsilon\geq0, x_0\in A . 对任意的 x\in A ,

\rm(i) f(x_0)\leq f(x) , 则称 x_0 是问题 (P) 的最优解;

\rm(ii) f(x_0)\leq f(x)+\varepsilon\|x-x_0\| , 则称 x_0 是问题 (P) 的拟 \varepsilon -最优解.

下述定理分别建立了问题 (P) 的近似最优性条件成立的必要条件和充分条件.

定理3.3   令 \varepsilon\geq0 , x_0\in A . 假设 f 在点 x_0 处Fréchet可微, 且系统 \{\delta_C; h_t:t\in T\} 在点 x_0 处满足 (ABCQ) 条件. 若 x_0 是问题 (P) 的拟 \varepsilon -最优解, 则存在 \bar{\lambda}\in A(x_0) , 使得

\begin{equation} -\nabla f(x_0)\in N(x_0;C)+\sum\limits_{t\in T}\bar{\lambda}_t\hat{\partial}h_t(x_0)+\varepsilon{\Bbb B}^\ast. \end{equation}
(3.2)

  设 x_0 是问题 (P) 的拟 \varepsilon -最优解, 则对任意的 x\in A , 有

f(x_0)\leq f(x)+\varepsilon\|x-x_0\|.

x_0 是以下问题的最优解

\inf\limits_{x\in A}\{f(x)+\varepsilon\|x-x_0\|\}.

因此

0\in\hat{\partial}(f+\varepsilon\|\cdot-x_0\|+\delta_A)(x_0).

由于 f 在点 x_0 处Fréchet可微, 由引理2.4可知

-\nabla f(x_0)\in\hat{\partial}(\varepsilon\|\cdot-x_0\|+\delta_A)(x_0).

由于 \|\cdot-x_0\| 是凸函数, 且集合 A 是凸集, 从而可得

-\nabla f(x_0)\in\partial(\varepsilon\|\cdot-x_0\|+\delta_A)(x_0).

\|\cdot-x_0\| 是连续函数, 故由引理2.3可知

-\nabla f(x_0)\in N(x_0;A)+\varepsilon{\Bbb B}^\ast.

从而由系统 \{\delta_C;h_t:t\in T\} 在点 x_0 处满足 (ABCQ) 条件可知, 存在 \bar{\lambda}\in A(x_0) 使得(3.2) 式成立.

定理3.4   令 x_0\in A, \varepsilon, \alpha, \alpha_t\geq0, t\in T . 假设 f \alpha -凸函数, h_t \alpha_t -凸函数. 若存在 \bar{\lambda}\in A(x_0) 使得下式成立

\begin{equation} 0\in\hat{\partial}f(x_0)+N(x_0;C)+\sum\limits_{t\in T}\bar{\lambda}_t\hat{\partial}h_t(x_0)+\varepsilon{\Bbb B}^\ast, \end{equation}
(3.3)

x_0 是问题 (P) 的拟 (\varepsilon+2\alpha+2\sum\limits_{t\in T}\bar{\lambda}_t\alpha_t) -最优解.

  设存在 \bar{\lambda}\in A(x_0) 使得(3.3) 式成立. 故存在 \xi\in\hat{\partial}f(x_0), \gamma\in N(x_0;C), \eta_t\in\hat{\partial}h_t(x_0), t\in T b\in {\Bbb B}^\ast 使得

\begin{equation} \xi+\gamma+\sum\limits_{t\in T}\bar{\lambda}_t\eta_t+\varepsilon b = 0. \end{equation}
(3.4)

\gamma\in N(x_0;C) 可知, 对任意的 x\in C \langle\gamma, x-x_0\rangle\leq0 . 结合(3.4) 式, 有

\langle\xi+\sum\limits_{t\in T}\bar{\lambda}_t\eta_t+\varepsilon b, x-x_0\rangle\geq0, \forall x\in C.

因此, 由Cauchy-Schwarz不等式可得

\begin{equation} \langle \xi, x-x_0\rangle+\sum\limits_{t\in T}\bar{\lambda}_t\langle\eta_t, x-x_0\rangle+\varepsilon\|x-x_0\|\geq0, \forall x\in C. \end{equation}
(3.5)

由于 f \alpha -凸函数, h_t \alpha_t -凸函数, 且 \xi\in\hat{\partial}f(x_0), \eta_t\in\hat{\partial}h_t(x_0), t\in T , 由引理2.2有

\begin{equation} f(x)-f(x_0)+2\alpha\|x-x_0\|\geq\langle\xi, x-x_0\rangle,\ \ \forall x\in X, \end{equation}
(3.6)

\begin{equation} \sum\limits_{t\in T}\bar{\lambda}_th_t(x)-\sum\limits_{t\in T}\bar{\lambda}_th_t(x_0)+2\sum\limits_{t\in T}\bar{\lambda}_t\alpha_t\|x-x_0\|\geq\sum\limits_{t\in T}\bar{\lambda}_t\langle\eta_t, x-x_0\rangle,\ \ \forall x\in X. \end{equation}
(3.7)

显然, A\subseteq C\subseteq X . 于是由(3.5)–(3.7) 式可得

f(x)-f(x_0)+\sum\limits_{t\in T}\bar{\lambda}_th_t(x)-\sum\limits_{t\in T}\bar{\lambda}_th_t(x_0)+(\varepsilon+2\alpha+2\sum\limits_{t\in T}\bar{\lambda}_t\alpha_t)\|x-x_0\|\geq0, \forall x\in A.

注意到, 对任意的 x\in A , \bar{\lambda}_th_t(x)\leq0 \bar{\lambda}_th_t(x_0) = 0 . 故由上式有

f(x_0)\leq f(x)+(\varepsilon+2\alpha+2\sum\limits_{t\in T}\bar{\lambda}_t\alpha_t)\|x-x_0\|, \forall x\in A.

因此 x_0 是问题 (P) 的拟 (\varepsilon+2\alpha+2\sum\limits_{t\in T}\bar{\lambda}_t\alpha_t) -最优解.

下例说明当 f 不是 \alpha -凸函数, h_t 不是 \alpha_t -凸函数时, 定理3.4的结论不一定成立.

例3.5   令 X = C: = {\Bbb R} , T: = \{1, 2, \cdots, m\}, m 为正整数, \alpha = \alpha_1 = \cdots = \alpha_m = 1 . f(x) = x^3, h_t(x) = -tx^2, t\in T . 易证 f 不是 \alpha -凸函数. 事实上, 取 x_1 = -5, x_2 = 1, \lambda = \frac{1}{2} , 此时

f(\lambda x_1+(1-\lambda)x_2) = f(-2) = -8,

\lambda f(x_1)+\lambda f(x_2)+\alpha\lambda(1-\lambda)\|x_1-x_2\| = -\frac{121}{2}.

从而由定义2.1可知 f(x) = x^3 不是 \alpha -凸函数. 类似可证 h_t 不是 \alpha_t -凸函数. 例如, 取 x_1 = -2, x_2 = 1, \lambda = \frac{1}{2} , 此时

h_t(\lambda x_1 +(1-\lambda)x_2) = h_t(-\frac{1}{2}) = -\frac{1}{4}t,

\lambda h_t(x_1)+\lambda h_t(x_2)+\alpha_t\lambda(1-\lambda)\|x_1-x_2\| = -\frac{5}{2}t+\frac{1}{4}.

显然, 当 t\in T 时, -\frac{1}{4}t>-\frac{5}{2}t+\frac{1}{4} . 故由定义2.1可知 h_t(x) = -tx^2 不是 \alpha_t -凸函数, t\in T . 注意到, A = \{x\in C:h_t(x)\leq0, t\in T\} = {\Bbb R} . x_0 = 0, \varepsilon = \bar{\lambda}_t = 1, t\in T , 则 x_0\in A , \bar\lambda = (\bar\lambda_T)_{t\in T}\in A(x_0) 且(3.3) 式成立, 但 x_0 = 0 不是问题 (P) 的拟 (3+2m) -最优解.

f, h_t, t\in T 均为凸函数, 我们引入如下约束规范条件.

定义3.6   令 x\in A .

\begin{equation} \partial(f+\delta_A)\subseteq \partial f(x)+N(x;C)+\bigcup\limits_{\lambda\in A(x)}\sum\limits_{t\in T}\lambda_t\partial h_t(x), \end{equation}
(3.8)

则称系统 \{\delta_C; h_t:t\in T\} 在点 x 处满足 (ABCQ)_f 条件. 若对任意的 x\in A , (3.8) 式成立, 则称该系统满足 (ABCQ)_f 条件.

类似定理3.3和定理3.4的证明, 我们可得如下定理.

定理3.7   令 x_0\in A , f, h_t, t\in T 为凸函数. 假设系统 \{\delta_C; h_t:t\in T\} 在点 x_0 处满足 (ABCQ)_f 条件, 则 x_0 是问题 (P) 的拟 \varepsilon -最优解当且仅当存在 \bar{\lambda}\in A(x_0) 使得

0\in \partial f(x_0)+N(x_0;C)+\sum\limits_{t\in T}\bar{\lambda}_t\partial h_t(x_0)+\varepsilon{\Bbb B}^\ast.

\varepsilon = 0 . 由定理3.7可得如下推论.

推论3.8   令 x_0\in A , f, h_t, t\in T 为凸函数. 假设系统 \{\delta_C; h_t:t\in T\} 在点 x_0 处满足 (ABCQ)_f 条件, 则 x_0 是问题 (P) 的最优解当且仅当存在 \bar{\lambda}\in A(x_0) 使得

0\in \partial f(x_0)+N(x_0;C)+\sum\limits_{t\in T}\bar{\lambda}_t\partial h_t(x_0).

注3.9   为建立问题 (P) KKT 类最优性条件, 文献[5] 引入了如下约束规范条件

(BCQ)_f\ \ \ \ \partial(f+\delta_A)(x)\subseteq\partial f(x)+N(x;C)+{\rm cone}(\bigcup\limits_{t\in T(x)}\partial h_t(x)),

其中 x\in A, 并在该约束规范条件下得到了与推论3.8相同的结论. 显然, (BCQ)_f 条件强于 (ABCQ)_f 条件, 故推论3.8改进了文献[5, 推论4.1] 的结论.

4 混合型近似对偶定理

\alpha, \alpha_t\ge 0, t\in T . 在本节中, 若无特别说明, 我们总是假设 f:X\rightarrow \overline{{{\Bbb R}}} \alpha -凸函数, h_t:X\rightarrow \overline{{{\Bbb R}}} \alpha_t -凸函数, t\in T . 定义问题 (P) 的混合型对偶问题为

(D)\ \ \ \ \left\{\begin{array}{ll} \max\limits _ {(y, \lambda, \mu)} &L(y, \lambda) \\ \rm{s.t.}&{ } 0\in\hat{\partial}f(y)+\sum\limits_{t\in T}(\lambda_t+\mu_t)\hat{\partial}h_t(y)+N(y;C)+\varepsilon{\Bbb B}^\ast, \\ &\mu_th_t(y)\geq0, t\in T, \\ &(y, \lambda, \mu)\in C\times {\Bbb R}_+^{(T)}\times {\Bbb R}_+^{(T)}, \end{array}\right.

其中, Lagrange函数 L:C\times {\Bbb R}_+^{(T)}\rightarrow \overline{{{\Bbb R}}} 定义为

L(y, \lambda) = f(y)+\sum\limits_{t\in T}\lambda_th_t(y),\ \ \forall(y, \lambda)\in C\times {\Bbb R}_+^{(T)}.

F(D) 为问题 (D) 的可行集.

定义4.1   令 \varepsilon\geq0 , (y_0, \bar{\lambda}, \bar{\mu})\in F(D) . 若对任意的 (y, \lambda, \mu)\in F(D)

L(y_0, \bar{\lambda})\geq L(y, \lambda)-\varepsilon\|y_0-y\|,

则称 (y_0, \bar{\lambda}, \bar{\mu}) 是问题 (D) 的拟 \varepsilon -最优解.

定理4.2   令 \varepsilon \geq0 . 对任意的 x\in A (y, \lambda, \mu)\in F(D) , 以下不等式成立

\begin{equation} f(x)\geq L(y, \lambda)-(\varepsilon+2\alpha+2\sum\limits_{t\in T}(\lambda_t+\mu_t)\alpha_t)\|x-y\|. \end{equation}
(4.1)

  任取 x\in A (y, \lambda, \mu)\in F(D) . 则有

0\in\hat{\partial}f(y)+\sum\limits_{t\in T}(\lambda_t+\mu_t)\hat{\partial}h_t(y)+N(y;C)+\varepsilon{\Bbb B}^\ast.

故存在 \xi\in\hat{\partial}f(y), \eta_t\in\hat{\partial}h_t(y), t\in T, \gamma\in N(y;C) b\in {\Bbb B}^\ast 使得

\begin{equation} \xi+\sum\limits_{t\in T}(\lambda_t+\mu_t)\eta_t+\gamma+\varepsilon b = 0. \end{equation}
(4.2)

\gamma\in N(y;C) , x\in A\subseteq C 可知, \langle\gamma, x-y\rangle\leq0 . 结合(4.2) 式和Cauchy-Schwarz不等式可得

\langle\xi, x-y\rangle+\sum\limits_{t\in T}(\lambda_t+\mu_t)\langle\eta_t, x-y\rangle+\varepsilon\|x-y\|\geq 0, \forall x\in A.

又因为 f \alpha -凸函数, h_t \alpha_t -凸函数, t\in T , 由引理2.2可知

f(x)-f(y)+\sum\limits_{t\in T}(\lambda_t+\mu_t)h_t(x)-\sum\limits_{t\in T}(\lambda_t+\mu_t)h_t(y)+(\varepsilon+2\alpha+2\sum\limits_{t\in T}(\lambda_t+\mu_t)\alpha_t)\|x-y\|\geq0, \forall x\in A.

注意到, 对任意的 x\in A , (\lambda_t+\mu_t)h_t(x)\leq0 \mu_th_t(y)\geq0 . 故由上式可得

f(x)-f(y)-\sum\limits_{t\in T}\lambda_th_t(y)+(\varepsilon+2\alpha+2\sum\limits_{t\in T}(\lambda_t+\mu_t)\alpha_t)\|x-y\|\geq0, \forall x\in A,

f(x)\geq L(y, \lambda)-(\varepsilon+2\alpha+2\sum\limits_{t\in T}(\lambda_t+\mu_t)\alpha_t)\|x-y\|, \forall x\in A.

因此(4.1) 式成立.

定理4.3   令 \varepsilon\geq0 , (x_0, \bar{\lambda}, 0) (x_0, 0, \bar{\lambda})\in F(D) 满足 \bar{\lambda}_th_t(x_0) = 0 . x_0\in A , 则 x_0 是问题 (P) 的拟 (\varepsilon+2\alpha+2\sum\limits_{t\in T}\bar{\lambda}_t\alpha_t) -最优解.

  设 (x_0, \bar{\lambda}, 0) (x_0, 0, \bar{\lambda})\in F(D) 满足 \bar{\lambda}_th_t(x_0) = 0 , 则存在 \xi\in\hat{\partial}f(x_0), \gamma\in N(x_0;C), \eta_t\in\hat{\partial}h_t(x_0), t\in T b\in {\Bbb B}^\ast 使得(3.4) 式成立. 假设 x_0\in A 不是问题 (P) 的拟 (\varepsilon+2\alpha+2\sum\limits_{t\in T}\bar{\lambda}_t\alpha_t) -最优解, 则存在 \bar{x}\in A 使得

\begin{equation} f(x_0)>f(\bar{x})+(\varepsilon+2\alpha+2\sum\limits_{t\in T}\bar{\lambda}_t\alpha_t)\|\bar{x}-x_0\|. \end{equation}
(4.3)

由于 f \alpha -凸函数, h_t:X\rightarrow \overline{{{\Bbb R}}} \alpha_t -凸函数, t\in T , 由引理2.2有

\begin{equation} f(\bar{x})-f(x_0)+2\alpha\|\bar{x}-x_0\|\geq\langle\xi, \bar{x}-x_0\rangle, \forall x\in X, \end{equation}
(4.4)

\begin{equation} \sum\limits_{t\in T}\bar{\lambda}_th_t(\bar{x})-\sum\limits_{t\in T}\bar{\lambda}_th_t(x_0)+2\sum\limits_{t\in T}\bar{\lambda}_t\alpha_t\|\bar{x}-x_0\|\geq\sum\limits_{t\in T}\bar{\lambda}_t\langle\eta_t, \bar{x}-x_0\rangle, \forall x\in X. \end{equation}
(4.5)

同时, 由 \gamma\in N(x_0;C) , \bar x \in A\subseteq C 可知

\begin{equation} \langle \gamma, \bar{x}-x_0\rangle\leq0. \end{equation}
(4.6)

从而由(3.4), (4.4)–(4.6) 式可得

\begin{eqnarray*} & &f(\bar{x})-f(x_0)+\sum\limits_{t\in T}\bar{\lambda}_th_t(\bar{x})-\sum\limits_{t\in T}\bar{\lambda}_th_t(x_0)\\ & \geq&\langle\xi+\sum\limits_{t\in T}\bar{\lambda}_t\eta_t+\gamma, \bar{x}-x_0\rangle-(2\alpha+ 2\sum\limits_{t\in T}\bar{\lambda}_t\alpha_t)\|\bar{x}-x_0\| \\ & = &\langle-\varepsilon b, \bar{x}-x_0\rangle-(2\alpha+2\sum\limits_{t\in T}\bar{\lambda}_t\alpha_t)\|\bar{x}-x_0\|\\ &\geq&-(\varepsilon+2\alpha+2\sum\limits_{t\in T}\bar{\lambda}_t\alpha_t)\|\bar{x}-x_0\|. \end{eqnarray*}

注意到, \bar{\lambda}_th_t(\bar{x})\leq0 \bar{\lambda}_th_t(x_0) = 0 . 因此

f(x_0)\le f(\bar{x})+(\varepsilon+2\alpha+2\sum\limits_{t\in T}\bar{\lambda}_t\alpha_t)\|\bar{x}-x_0\|,

与(4.3) 式矛盾, 故 x_0 是问题 (P) 的拟 (\varepsilon+2\alpha+2\sum\limits_{t\in T}\bar{\lambda}_t\alpha_t) -最优解.

定理4.4   令 \varepsilon\ge 0, x_0\in A . 假设 f \alpha -凸函数, h_t 是凸函数, t\in T . 若存在 \bar{\lambda}\in A(x_0) 使得(3.3) 式成立, 则 x_0 是问题 (P) 的拟 (\varepsilon+2\alpha) -最优解, 且 (x_0, \bar{\lambda}, 0) \rm{和} (x_0, 0, \bar{\lambda}) 是问题 (D) 的拟 (\varepsilon+2\alpha) -最优解.

  设 \bar{\lambda}\in A(x_0) 使得(3.3) 式成立. 故由定理3.4可知 x_0 是问题 (P) 的拟 (\varepsilon+2\alpha) -最优解, 且 (x_0, \bar{\lambda}, 0) (x_0, 0, \bar{\lambda}) 是问题 (D) 的可行解. 注意到, 对任意的 (y, \lambda, \mu)\in F(D) ,

\begin{eqnarray*} L(x_0, \bar{\lambda})- L(y, \lambda)& = &f(x_0)+\sum\limits_{t\in T}\bar{\lambda}_th_t(x_0)-L(y, \lambda)\\ & = & f(x_0)- L(y, \lambda)\\ &\geq&-(\varepsilon+2\alpha)\|x_0-y\|. \end{eqnarray*}

(x_0, \bar{\lambda}, 0) \rm{和} (x_0, 0, \bar{\lambda}) 是问题 (D) 的拟 (\varepsilon+2\alpha) -最优解.

\mu_t = 0, t\in T 时, 问题 (D) 转化为Wolfe型对偶问题, 即

(D^W)\ \ \ \ \left\{\begin{array}{ll} \max\limits _ {(y, \lambda)} L(y, \lambda) \\ \rm{s.t.}\ \ { } 0\in\hat{\partial}f(y)+\sum\limits_{t\in T}\lambda_t\hat{\partial}h_t(y)+N(y;C)+\varepsilon{\Bbb B}^\ast, \\\ \ \ \ \ \ \ \ (y, \lambda)\in C\times {\Bbb R}_+^{(T)}. \end{array}\right.

F(D^W) 为问题 (D^W) 的可行集. 故由定理4.2和定理4.3, 我们可得以下推论.

推论4.5   令 \varepsilon\geq0 . 则对任意的 x\in A (y, \lambda)\in F(D^W)

f(x)\geq L(y, \lambda)-(\varepsilon+2\alpha+2\sum\limits_{t\in T}\lambda_t\alpha_t)\|x-y\|.

推论4.6   令 \varepsilon\geq0 . (x_0, \bar{\lambda})\in F(D^W) 满足 \bar{\lambda}_th_t(x_0) = 0 . x_0\in A , 则 x_0 是问题 (P) 的拟 (\varepsilon+2\alpha+2\sum\limits_{t\in T}\bar{\lambda}_t\alpha_t) -最优解.

推论4.7   令 \varepsilon \geq0, x_0\in A . 若存在 \bar{\lambda}\in A(x_0) 使得(3.3) 式成立, 则 x_0 (x_0, \bar{\lambda}) 分别是问题 (P) 和问题 (D^W) 的拟 (\varepsilon+2\alpha+2\sum\limits_{t\in T}\bar{\lambda}_t\alpha_t) -最优解.

  设 \bar{\lambda}\in A(x_0) 使得(3.3) 式成立. 故由定理3.4可知 x_0 是问题 (P) 的拟 (\varepsilon+2\alpha+2\sum\limits_{t\in T}\bar{\lambda}_t\alpha_t) -最优解且 (x_0, \bar{\lambda}) 是问题 (D^W) 的可行解. 注意到, 对任意的 (y, \lambda, \mu)\in F(D^W) ,

\begin{eqnarray*} L(x_0, \bar{\lambda})- L(y, \lambda)& = &f(x_0)+\sum\limits_{t\in T}\bar{\lambda}_th_t(x_0)-L(y, \lambda)\\ & = &f(x_0)- L(y, \lambda)\\ &\geq&-(\varepsilon+2\alpha+2\sum\limits_{t\in T}\bar{\lambda}_t\alpha_t)\|x_0-y\|. \end{eqnarray*}

(x_0, \bar{\lambda}) 是问题 (D^W) 的拟 (\varepsilon+2\alpha+2\sum\limits_{t\in T}\bar{\lambda}_t\alpha_t) -最优解.

\lambda_t = 0, t\in T 时, 问题 (D) 转化为Mond-Weir型对偶问题, 即

(D^M)\ \ \ \ \left\{\begin{array}{ll} \max\limits _ {(y, \mu)} f(y) \\ \rm{s.t.}\ \ { } 0\in\hat{\partial}f(y)+\sum\limits_{t\in T}\mu_t\hat{\partial}h_t(y)+N(y;C)+\varepsilon{\Bbb B}^\ast, \\\ \ \ \ \ \ \ \ \mu_th_t(y)\geq0, t\in T, \\\ \ \ \ \ \ \ \ (y, \mu)\in C\times {\Bbb R}_+^{(T)}. \end{array}\right.

F(D^M) 为问题 (D^M) 的可行集. 由定理4.2, 我们可得如下推论.

推论4.8   令 \varepsilon \geq0 . 则对任意的 x\in A (y, \mu)\in F(D^M)

\begin{equation} f(x)\geq f(y)-(\varepsilon+2\alpha+2\sum\limits_{t\in T}\mu_t\alpha_t)\|x-y\|. \end{equation}
(4.7)

类似定理4.3和推论4.7的证明, 我们可得以下结论.

推论4.9   令 \varepsilon \geq0 , (x_0, \bar{\mu})\in F(D^M) . x_0\in A , 则 x_0 是问题 (P) 的拟 (\varepsilon+2\alpha+2\sum\limits_{t\in T}\bar{\mu}_t\alpha_t) -最优解.

推论4.10   令 \varepsilon\geq0, x_0\in A . 若存在 \bar{\mu}\in{\Bbb R}_+^{(T)} 使得 \bar{\mu}_th_t(x_0) = 0, t\in T 和下式成立

0\in\hat{\partial}f(x_0)+N(x_0;C)+\sum\limits_{t\in T}\bar{\mu}_t\hat{\partial}h_t(x_0)+\varepsilon{\Bbb B}^\ast,

x_0 (x_0, \bar{\mu}) 分别是问题 (P) 和问题 (D^M) 的拟 (\varepsilon+2\alpha+2\sum\limits_{t\in T}\bar{\mu}_t\alpha_t) -最优解.

参考文献

Ben-Tal A , Kerzner L , Zlobec S .

Optimality conditions for convex semi-infinite programming problems

Nav Res Logist, 1980, 27, 413- 435

DOI:10.1002/nav.3800270307      [本文引用: 1]

Boţ R I , Grad S M .

Wolfe duality and Mond-Weir duality via perturbations

Nonlinear Anal, 2010, 73, 374- 384

DOI:10.1016/j.na.2010.03.026     

Dinh N , Goberna M A , Lopez M A , Son T Q .

New Farkas-type constraint qualifications in convex infinite programming

ESAIM Control Optim Calc Var, 2007, 13, 580- 597

DOI:10.1051/cocv:2007027     

Fang D H , Li C , Ng K F .

Constraint qualifications for extended Farkas's lemmas and Lagrangian dualities in convex infinite programming

SIAM J Optim, 2009, 20, 1311- 1332

Fang D H , Li C , Ng K F .

Constraint qualifications for optimality conditions and total Lagrangian dualities in convex infinite programming

Nonlinear Anal, 2010, 73, 1143- 1159

DOI:10.1016/j.na.2010.04.020      [本文引用: 3]

Lee J H , Lee G M .

On ε-solutions for convex optimization problems with uncertainty data

Positivity, 2012, 16, 509- 526

DOI:10.1007/s11117-012-0186-4      [本文引用: 1]

Lee J H , Jiao L G .

On quasi ε-solution for robust convex optimization problems

Optim Lett, 2017, 11, 1609- 1622

DOI:10.1007/s11590-016-1067-8      [本文引用: 1]

Sun X K , Fu H Y , Zeng J .

Robust approximate optimality conditions for uncertain nonsmooth optimization with infinite number of constraints

Mathematics, 2019, 7, 12- 25

Ye D P , Hu L L , Fang D H .

ε-Optimality conditions And ε-saddle point theorems for robust conical programming problems

J Nonlinear Convex Anal, 2020, 21, 835- 850

[本文引用: 2]

Sun X K , Teo K L , Long X J .

Characterizations of robust ε-quasi optimal solutions for nonsmooth optimization problems with uncertain data

Optim, 2021, 70, 1- 24

DOI:10.1080/02331934.2020.1805539      [本文引用: 2]

Zhong L N , Jin Y F .

Optimality conditions for minimax optimization problems with an infinite number of constraints and related applications

Acta Math Appl Sin-E, 2021, 37, 251- 263

DOI:10.1007/s10255-021-1019-7      [本文引用: 1]

Mishra S K , Laha V .

On Minty variational principle for nonsmooth vector optimization problems with approximate convexity

Optim Lett, 2016, 10, 577- 898

DOI:10.1007/s11590-015-0883-6     

Son T Q , Kim D S .

ε-Mixed type duality for nonconvex multiobjective programs with an infinite number of constraints

J Glob Optim, 2013, 57, 447- 465

DOI:10.1007/s10898-012-9994-0     

Mordukhovich B S , Nam N M , Yen N D .

Fréchet subdifferential calculus and optimality conditions in nondifferentiable programming

Optim, 2006, 55, 685- 708

DOI:10.1080/02331930600816395      [本文引用: 1]

Alejandro J , Dinh T L , Michel T R .

ε-Subdifferential and ε-monotonicity

Nonlinear Anal Theory, 1998, 33, 71- 90

DOI:10.1016/S0362-546X(97)00511-7      [本文引用: 3]

Zǎlinescu C . Convex Analysis in General Vector Spaces. New Jersey: World Scientific, 2002

[本文引用: 1]

Lasserre J B .

On representations of the feasible set in convex optimization

Optim Lett, 2010, 4, 1- 5

DOI:10.1007/s11590-009-0153-6      [本文引用: 1]

Dutta J , Lalitha C S .

Optimality conditions in convex optimization revisited

Optim Lett, 2013, 7, 221- 229

DOI:10.1007/s11590-011-0410-3     

Chieu N H , Jeyakumar V , Li G Y , Mohebi H .

Constraint qualifications for convex optimization without convexity of constraints: new connections and applications to best approximation

European J Oper Res, 2018, 265, 19- 25

DOI:10.1016/j.ejor.2017.07.038      [本文引用: 1]

Chuong T D , Kim D S .

Nonsmooth semi-infinite multiobjective optimization problems

J Optim Theory Appl, 2014, 160, 748- 762

DOI:10.1007/s10957-013-0314-8      [本文引用: 1]

/