参考资料
参考视频:https://lagunita.stanford.edu/courses/Engineering/CVX101/Winter2014/about
貌似bilibili也有:
http://www.bilibili.com/video/av8907218/ 但是没有字幕,对于英语差的人来说就麻烦了
参考书籍:《Convex Optimization – Boyd and Vandenberghe》
https://www.amazon.com/Convex-Optimization-Stephen-Boyd/dp/0521833787
https://web.stanford.edu/~boyd/cvxbook/
概述
优化问题的分水岭不是线性和非线性,而是凸和非凸(Rockafellar 在1993年写到)。
优化问题可以写作如下形式:
minimize f(x)subject to fi(x)≤bi,i=1,2,3......m
这里f(x)就是优化目标函数,限定其需要满足的条件。总的来说优化问题分为凸优化问题和非凸优化问题。现在比较成熟的是凸优化问题,如果一个问题可以写成凸优化问题,那么基本就是运用凸优化技术求解就好了,非凸优化问题会运用凸优化问题的求解技术进行求解,比如初始值的选取。
而凸优化问题比较典型的是线性规划问题和最小二乘法。对于线性规划问题,我想学过运筹学的都知道,单纯形法或者内点法。
凸集和凸函数
仿射集合
如果通过集合中的任意两点的直线仍然在集合中,那么集合就是仿射的。
对于多个点的情况下,
x1,x2,......xn
如果$\$
简单的说凸集就是,假设在一个空间中,任意两个点的线段上的所有点也在该集合中,那么该集合就称为凸集。
如下图所示:
凸函数