我们假设工资合同是以下二次样条函数。设置中未知的离散节点\(X=[\underline{X},\overline{X}]\)令人满意的\(\下划线{x}=x{1}\leq x{2}\leq\cdots\leq x}m}\leq x{m+1}=\上划线{x{),工资合同是
$$\开始{对齐}和s(x)=\textstyle\开始{cases}p{1}x^{2}+q{1}x+r_{1},&x{1}\leqx\leqx{2},\\p{2}x^}+q}2}x+r_}2}、&x{2}\leq x\leq x{3}、\\vdots\\p{m}x^2}+q{m}x+r{m},&x{m}\leqx\leqx1},\end{cases}\displaystyle\end{aligned}$$
这满足了\(p_{i}x_{i+1}^{2}+q_{i}x_{i+1}+r_{i}=p_{i+1}x_{i+1}^{2}+q_{i+1}x_{i+1}+r_{i+1}\),\(2便士_{i} x个_{i+1}+q{i}=2p{i+1}x{i+1{+q{i+1}),\(i=1,2,\ldot,m-1),以及\(p_{i}\leq0\),\(i=1,2,\ldot,m).
然后我们可以分别得到委托人和代理人的以下预期效用:
$$\begin{aligned}U\bigl(s(x),a\bigr)=&\int_{x\in x}U\bigl-(x-s(x x个^{2} -q个_{i} x射线_{i}\较大)f(x,a)\,dx\结束{对齐}$$
和
$$\begin{aligned}V\bigl(s(x),a\bigr)=&\int_{x\in x}V\bigl_{i} x+r{i}\bigr)f(x,a)\,dx-a.结束{aligned}$$
由于积分不会改变可微性,委托人和代理人的预期效用对所有人来说也足够平滑x个和一.
委托人和代理人的预期效用在行动上是凹的一根据CDFC。因此,将工资合同设计为二次样条函数的委托代理问题的松弛帕累托优化规划可以重新表述为:
$$开始{聚集}\min_{(p_{i},q_{ineneneep,r_{i{)\in\mathbb{r}}\sum_{i=1}^{m}\int_{x{i}}^{x{1}}\bigl[p_{i}x^{2}+(q_{i} -1个)x+r{i}\bigr]f(x,a)\,dx\\开始{aligned}\text{s.t.}\quad&-\sum{i=1}^{m}\int_{x{i}}^{x{1}}\bigl(p{i}x^2}+q_{i} x+r_{i}\biger)f(x,a)\,dx+a+V_{0}\leq0,\\&a-\上划线{a}\leq 0,\\&-a+\下划线{a{a}\leq O,\\&p_{i{leq 0_{我}-p{i+1}x{i+1}^{2} -q个_{i+1}x_{i+1}-r{i+1{=0,四i=1,2,ldot,m-1,\\&2p_{i} x个_{i+1}+q_{i} -2便士_{i+1}x{i+1}-q{i+1{=0,\quad i=1,2,\ldots,m-1,\\&\sum_{i=1}^{m}\int_{x{i}}^{x{1}}\bigl(p_{i}x^2}+q_{i} x+r{i}\bigr)f{a}(x,a)\,dx-1=0。\结束{对齐}\结束{聚集}$$
(3)
为了方便起见,我们分别给出了以下符号:
$$\开始{对齐}&F(p,q,r,a,\zeta)=\sum_{i=1}^{m}\int_{x_{i}}^{x{i+1}}\bigl(p_{i{x^{2}+q_{i} x+对_{i} -x个\大r)f(x,a)\,dx,\\&g{1}int_{x{i}}^{x{1}}\bigl(p{i}x^2}+q_{i} x+r{i}\biger)f(x,a)\,dx+a+V{0},\\&g{m+2}(p,q,r,a,zeta)=a-\上划线{a},\&g{m+3}(p,q,r,a,zeta)=-a+\下划线{a{,\\h{1}_{1} x个_{2} +r(+r)_{1} -第页_{2} x个_{2} ^{2} -q个_{2} x个_{2} -r(右)_{2} ,\\&h{2}(p,q,r,a,zeta)=p{2}x{3}^{2}+q_{2} x个_{3} +r_{2} -第页_{3} x个_{3} ^{2} -q个_{3} x个_{3} -r(右)_{3} ,\\&\vdots\\&h{m-1}(p,q,r,a,zeta)=p{m-1{x{m}^{2}+q_{m-1}x_{m} +r(+r)_{m-1}-第页_{m} x个_{米}^{2} -q个_{m} x个_{m} -r(右)_{m} ,\\&h{m}(p,q,r,a,\ zeta)=2p_{1} x个_{2} +q个_{1} -2便士_{2} x个_{2} -q个_{2} ,\\&h{m+1}(p,q,r,a,\ zeta)=2p_{2} x个_{3} +q个_{2} -2便士_{3} x个_{3} -q个_{3} ,\\&\vdots\\&h{2m-2}(p,q,r,a,\zeta)=2p_{m-1}x_{m} +问_{m-1}-2p_{m} x个_{m} -q个_{m} ,\\&h{2m-1}(p,q,r,a,zeta)=\sum_{i=1}^{m}\int_{x{i}}^{x{1}}\bigl(p{i}x^{2}+q_{i} x+r_{i}\bigr)f_{a}(x,a)\,dx-1,\end{aligned}$$
哪里\(p=(p{1},p{2},\ldots,p{m})^{T}\),\(q=(q_{1},q_{2},\ldots,q_}m})^{T}\),\(r=(r{1},r{2},\ldots,r{m})\),\(a=a),\(泽塔=(x{2},x{3},\ldots,x{m})^{T}\).
然后,当工资合同是二次样条曲线时,松弛帕累托优化规划(三)可以写为:
$$\begin{聚集}\min F(p,q,r,a,\zeta),\\开始{对齐}\text{s.t.}\quad&g{i}(p,q,r,a,\ze塔)\leq 0,\quad i\in \{1,2,\ldots,m+3\},\\&h_{j}(p,q,r,a,\ zeta)=0,\quid j\in \}1,2,\ ldots、2m-1\}。\结束{对齐}\结束{聚集}$$
(4)
让\({\mathbb{R}}^{n}\),\({\mathbb{R}}_{+}^{n}\),\({\mathbb{R}}_{++}^{n}\)表示n个-维欧几里德空间,非负正定和正正定\({\mathbb{R}}^{n}\)分别为。众所周知,对于凸非线性规划问题,优化问题的解可以从KKT系统得到。但对于一个非凸非线性规划问题,我们只能得到其KKT系统的解。
因此,目的是解决以下KKT系统的松弛帕累托优化规划(4):
$$开始{聚集}\nabla F(p,q,r,a,\zeta)+\sum_{i=1}^{m+3}\nabla g_{i}(p,q,r,a,\ze塔)y_{i{+\sum_{j=1}^_2m-1}\nablah_{j}ldot,2米-1,\\y_{i} 克_{i} (p,q,r,a,\zeta)=0,\quad y_{i}\geq 0,\quid\quad g_{i{(p,q,r,a,\ zeta)\leq 0,\ quad i=1,2,\ldot,m+3,\end{collected}$$
(5)
哪里\(y\在{\mathbb{R}}{_{+}}^{m+3}\中),\(z\在{\mathbb{R}}^{2m-1}\中),\(\nabla=(\frac{\partial}{\partitial p},\frac}\partial q},\frac{\particl}{\ partial r},\ frac{\ partic}{\偏a},\srac{\protial}{\ partitial\ zeta})^{T}\).
考虑移位约束函数为\(\widetilde{g{i}}(\theta,\mu)=g{i{(\ttheta)-\mu^{sigma}\tau),使用\({\mathbb{R}}_{++}^{m+3}中的\tau\)和\(\widetilde{h{j}}(\theta,\mu)=h{j{(\ttheta)-\muh{jneneneep(\theta^{0})\),这使得\(\widetilde{g{i}}(\theta,0)=g{i{(\ttheta)\),以及\(\widetilde{h{j}}(\theta,0)=h{j{(\tea)\)因此,\(nabla\widetilde{g{i}}(\theta,\mu)=nablag{i{(\ttheta))和\(nabla\widetilde{h{j}}(\theta,\mu)=nablah{j{(\tea))。由于\(g{i}(θ)和\(h{j}(θ),\(nabla\widetilde{g{i}}(θ,μ))和\(nabla\widetilde{h{j}}(θ,μ))也足够光滑。
为了方便起见,本文将使用以下符号:
$$\begin{aligned}&\theta=(p,q,r,a,zeta)^{T},\\&\varOmega=\bigl\{\theta\vert g_{i}(\theta)\leq 0,h_{j}(\theta)=0,i\in\{1,2,\ldots,m+3\},j\in\}1,2,\tdots,2m-1\}\bigr\}\widetilde{g{i}}(θ,\mu)\leq0,\widetelde{h{j}}\大\},\\&\varOmega_{\mu}^{0}=\bigl\{\theta\vert\widetilde{g_{i}}(\theta,\mu)<0,\widetilde{h_{j}}_{\mu}\反斜杠\varOmega_{\mu}^{0},\quad\text{和}\\&i_{mu}(\theta)=\bigl\{i\vert\widetilde{g_{i}}(\t,\mu)=0,i=1,2,\ldots,m+3\bigr\}。\结束{对齐}$$
本文将使用以下假设。向量\({\mathbb{R}}_{++}^{m+3}中的\tau\)和一个开放子集V(V)不等式约束集的\(θ:宽波浪号{克}_{i} (θ,1)<0\})满足以下条件:
- (A1)
\([0,1]\中的所有\mu\),\(\varOmega_{\mu}\)有界且\(\varOmega_{\mu}^{0}\neq\phi\).
- (A2)
\(V中的所有θ),\(纳布拉h(θ))是完整的列秩矩阵。对于任何参数\([0,1]\中的\mu\)和\(\theta\in\varOmega_{\mu}\),\(([nabla\widetilde{g{i}}(theta,\mu){i\ in i{mu}(theta)},nablah(theta)))是正线性无关的θ即。,\(i(θ)}中的sum{i},\(\alpha_{i}\geq0\),\(在{mathbb{R}}\Rightarrow\alpha_{i}=\beta_{j}=0\).
- (A3)
(正常圆锥状态)
\(对于所有θ,在部分ω{1}中),的法线圆锥体\(\varOmega_{1}\)仅满足\(\partial\varOmega_{1}\)在θ即。,\(对于所有\theta,在\varOmega_{1}中),
$$\biggl\{\theta+\sum_{i\ in i_{1}(\theta)}\nabla\widetilde{g_{i}}(\theta,1)y _{i}+\nabla h(\theta)z\Big\vert i\ in i_{1}(\theta),y_{i}\geq 0,z\ in{\mathbb{R}}^{m}\biggr\}\cap\varOmega _{1}=\{\theta}$$
为了计算松弛帕累托优化规划的KKT系统的解(4),对于任意随机选择的向量\((θ{0},xi)在V次中{mathbb{R}}^{4m})和任何给定向量\(在{\mathbb{R}}_{++}^{m+3}\中的\eta\),我们构造了约束移位的组合同伦论,如下所示:
$$H\bigl(w,w^{0},\mu\bigr)=\begin{pmatrix}(1-\mu)(\nabla F(\theta)+\nabla\widetilde{g}(\theta,\muθ^{0})\end{pmatrix}$$
(6)
哪里\(w=(θ,y,z)^{T}\在{\mathbb{R}}^{4m}\次{\mathbb{R{}}_{+}^{m+3}\次}中,\(w^{0}=(θ^{0{,y^{0neneneep,z^{0neneneei)^{T}\),以及\(Y=\运算符名称{diag}(Y_{1},Y_{2},\ldots,Y_{m+3})\).
什么时候?\(\mu=0\)同伦方程\(H(w,w^{0},0)=0\)转向KKT系统(5)放松的帕累托优化编程(4).
引理2.1
假设
\(H(w,w^{0},\mu)\)定义为(6)和假设(A1)、(A2)和(A3)持有,然后是同伦方程
\(H(w,w^{0},1)=0\)有独特的解决方案
$$(\theta,y,z)=\bigl(\theta^{0},y^{0{},z^{0neneneep \bigr)=\bigl(\theta^{0:},-\bigl[\operatorname{diag}\bigle(\widetilde{g}\bingl(\sheta^},1\bigr$$
证明
让\(\bar{w}=(\bar}\theta},\bar{y},\ bar{z})是…的解决方案\(H(w,w^{0},1)\).来自\(H(\bar{w},w^{0},1)=0\)和\(\bar{y}\geq0\),我们得到\(\bar{theta}\in\varOmega_{1}\)。在下面,我们将证明\(\bar{\theta}=\theta^{0}\)矛盾。我们假设\(\bar{\theta}\neq\theta^{0}\),这意味着\(\bar{z}\neq 0\),以及\(H(w,w^{0},1)=0\),我们有\(θ^{0}=\bar{theta}+\nablah(\bar{θ})\bar{z}\),这与假设(A2)相矛盾。因此,\(\bar{\theta}=\theta^{0}\)根据假设(A2)和\(\nabla h(\bar{\theta})\bar{z}=0\),我们得到\(\bar{z}=0\)从第二个方程式\(H(\bar{w},w^{0},1)=0\)和\(\theta^{0}\in\varOmega _{1}^{0}\),我们有\(\bar{y}=-[\operatorname{diag}(\widetilde{g},(\theta^{0},1))]^{-1}\eta\)。因此,我们得到了结果。□
以下引理来自微分拓扑,可以在参考文献中找到。[34,35,36]将在下一节中使用。首先,让\(U\子集{\mathbb{R}}^{n}\)做一个开放的群体,让\(\phi\colon U\rightarrow{\mathbb{R}}^{p}\)成为\(C^{\alpha}\)(\(\alpha>\max\{0,n-p\}\))制图;我们这么说\(y\在{\mathbb{R}}^{p}\中)是的常规值ϕ如果
$$\operatorname{Range}\bigl[\partial\phi(x)/\partial x\bigr]={\mathbb{R}}^{p},\quad\forall x\in\phi^{-1}(y)$$
引理2.2
让
\(V\子集{\mathbb{R}}^{n}\),\(U\子集{\mathbb{R}}^{m}\)成为开放集,然后让
\(\phi\colon V\times U\rightarrow{\mathbb{R}}^{k}\)成为
\(C^{\alpha}\)映射,哪里
\(\alpha>\max\{0,m-k\}\).如果
\(0\在{\mathbb{R}}^{k}\中)是的常规值ϕ,然后,几乎所有人
\(a\在V\中), 0是的常规值
\(φ{a}=F(a,\cdot)).
引理2.3
让
\(\phi\冒号U\子集{\mathbb{R}}^{n}\rightarrow{\mathbb{R{}^{p}\)成为
\(C^{\alpha}\)(\(\alpha>\max\{0,n-p\}\)).如果0是的常规值ϕ,然后
\(\phi^{-1}(0)\)由一些
\((n-p)\)维度的
\(C^{\alpha}\)歧管.
引理2.4
一个-维光滑流形微分为单位圆或单位区间.