代做Optimization and Algorithms 2021 Mock exam代做留学生SQL语言

Optimization and Algorithms

November 25, 2021

Mock exam

1. Non strongly convex function.  (3 points) One of the following functions f : R2  → R is not strongly convex:

(A)  f (x1 , x2) = jx1 + x2 j + x1(2) + (x1 — x2)2

(B)  f (x1 , x2) = 4x1(2) + ex1 +x2  + 4x1x2 + x2(2)

(C)  f (x1 , x2) = (x1 + x2)2 + jx1 j + (x1  — x2)2

(D)  f (x1 , x2) = ex1 -x2  + 4x1(2) + 3x1 — 2x2 — 2x1x2 + x2(2)

(E)  f (x1 , x2) = —3x1x2 + (x1 + 2x2)2 + (x1  — x2)+

(F)  f (x1 , x2) = x1 + x1(2) — x2 + x2(2) + log(1 + ex1 +x2)

Which one?

Write your answer (A, B, C, D, E, or F) here:

2. True statement about convexity.  (2 points) One of the following statements is true:

(A) iff : Rn → R is convex, then f has at least one global minimizer

(B) iff1 : Rn  → R and f2 : R → R are both convex functions, thenf2 of1  is convex

(C) iff : Rn → R is strictly convex, then f has exacly one global minimizer

(D) iff1 : R → R is strongly convex , f2 : Rn  → R is convex, and f2 (x) ≥ f1 (x) for each x ∈ Rn, then f2  is strongly convex

(E) iff : Rn → R is strictly convex, then f has at most one global minimizer

(F) iff : Rn → R is convex, then f2  is strongly convex

Which one?

Write your answer (A, B, C, D, E, or F) here:

3. Augmented Lagrangian method.  (3 points) Consider the constrained problem

where f : Rn → R and h : Rn → R are diferentiable functions.

The augmented Lagrangian method applied to (1) solves, at each iteration, an opti- mization problem of one of the following forms:

(A)

where λ ∈ R and c > 0

(B)

where λ ∈ R and c > 0

(C)

where λ ∈ R and c > 0

(D)

where λ ∈ R

(E)

where c > 0

(F)

where λ ∈ R and c > 0

Which one?

Write your answer (A, B, C, D, E, or F) here:

4. Existence  of global minimizers.  (4 points) Consider the optimization problem

where the variables to optimize are c ∈ Rn  and  R ∈ R.  The vectors xm  and the scalars ωm  are given for  1 ≤ m ≤ M, with ωm  > 0 for all m.  The scalar P is also given and denotes a positive constant: P > 0.

Show that (2) has at least one global minimizer.

5. Smooth control of an uncertain system.  (4 points) Consider the optimization problem

where the variable to optimize is u1 , . . . , uK , with uk  ∈ Rd  for 1 ≤ k  ≤ K.  The vectors ak   ∈ Rd  and ck   ∈ Rd  and the scalars  bk   ∈ R and dk   ∈ R are given for 1 ≤ k ≤ K.  Also, the scalar U is given and denotes a positive constant:  U > 0.

Show that (3) is a convex optimization problem.

6. Penalty method.  (4 points) Consider the optimization problem

where the vectors ∈ R2  (s ≠ 0) and the scalar rare given. Assume that the function f is diferentiable and strongly convex. Let x* ∈ R2  be the global minimizer of (4).

Consider now the penalized problem

where ck  > 0.  Let xk* ∈ R2  be the global minimizer of (5).

Assume that (ck)k≥1  is an increasing sequence converging to +∞; that is, 0 < c1 < c2 < c3 < · · · and limk→+∞ ck  =  +∞ .   Also, assume that the sequence  (xk(*))k≥1

converges to some vector x, that is, limk→+∞ xk(*) = x.

Show that x = x*.

(You cannot invoke theorems about penalty methods; you must prove the equality above by yourself.)