凸优化和非凸优化

在工程实践中，无需关心 二次规划/凸优化的细节，工程师 只需要 调相应的第三方成熟软件包计算二次规划/凸优化的结果即可。当然，更重要的是知道算法的使用条件、优缺点、使用场景。

决策规划算法的输出目标：输出一条满足约束条件的最优轨迹。（用代价函数来量化最优性）
最优的评价指标：
1，平滑
2，舒适
3，耗时短
约束：
1，轨迹连续
2，无碰撞
3，遵守交通规则
4，满足车辆动力学、运动学约束

一、迭代法求高维复杂约束函数的最小值

回顾

高中数学，求连续可导函数F(x)在定区间[a,b]上的最小值。

步骤：
1，计算F(a),F(b)
2，求F(x)的极值
3，在极值、F(a)、F(b)中选择最小值即为F(x)在区间[a,b]上的最小值。
但此方法无法快速求出高维复杂约束下函数的最小值。
比如：

**缺点：**1，快速求解出极值点较难，且极值点可能非常多。2，约束区间可能不连续，是多个小区间的拼凑，难以处理
故一般求复杂函数在复杂约束下的最小值采用迭代法 ，计算速度较快：
1，牛顿法；
2，梯度下降法；
3，高斯牛顿法。

迭代法的基本原理：

按照梯度反方向进行迭代，迭代步长取决于斜率大小，最终收敛于极值处。

迭代法的缺点：

1，对初值比较敏感：函数有多个极值时，若初始值不同，则迭代法求出的极值就不同，最终可能输出局部最小值，即迭代法对于初值比较敏感。

应用场景：

前提条件：
1，只有一个极值点的函数，且极值点就是最小值。或单调函数，即代价函数是凸函数。
2，约束空间是连续完整的，即约束空间是凸空间。
则该场景对于初始值不敏感，且迭代法必然收敛于最小值，故该场景很适合用迭代法快速求解出全局最小值，该问题称为凸优化问题

凸优化问题具备的性质：

1，代价函数只有一个极值点，或代价函数为单调函数，这样的函数称为凸函数
2，约束空间是连续完整的空间，这样的空间称为凸空间，且凸多边形形成的空间是凸空间，凹多边形形成的空间是非凸控制。
求凸函数在凸空间上的最小值问题，称为凸优化
注：这里对于凸函数，凸空间的定义仅限于自动驾驶决策规划领域，数学领域有较为严谨的定义，我们只关注决策规划领域的定义即可

二、凸优化的好处和意义

凸优化是最简单的非线性优化方法，也是目前为止求解非线性问题最值的最为成熟的优化方法，是复杂优化算法的基石，非凸问题一般都转化为凸问题进行求解。

三、如何在决策规划模块中使用凸优化

车辆避障

自动驾驶静态和动态避障的空间均是非凸空间，如何求非凸空间的最小值？？？？------>目前并无完美的非凸问题的求解算法，故需要转化为凸空间进行求解。

案例1

案例2
1，非凸转化为凸的方法：非凸空间---------->离散化---------->比较离散点而得出粗解---------->迭代---------->最优解
在约束空间采样，找到采样点的最小值，然后进行迭代法求解。本质是将约束空间离散化，求离散化空间的最优解，作为迭代的初始值，即粗解。
2，非凸转化为凸的缺点：
采样点不足时，求出的是局部的最优解。但采样点过多会引发维度灾难。

总结：非凸优化转化为凸优化的方法并非完美算法，也有缺点，故需要在实际工程开发中进行采样个数的权衡和试验，找到满足特定场景功能需求的参数即可。