MatLab凸优化工具箱CVX-Introduction

What is CVX?

    CVX是MatLab的一个工具箱，是用于构建和解决约束凸规划（DCP）的建模系统。CVX支持许多标准问题类型，包括线性和二次规划（LPs / QPs），二阶锥规划（SOCPs）和半定规划（SDPs）。CVX还可以解决更复杂的凸优化问题，其中包括许多涉及不可微函数，如 1-范数问题。可以使用CVX方便地建立并求解约束范数最小化，熵最大化，行列式最大化以及许多其他凸规划问题。 从版本2.0开始，CVX还解决了混合整数约束凸规划（MIDCP），并具有整数求解程序。

    要有效地使用CVX，至少需要了解一些关于凸优化的知识。 有关凸优化的背景知识，请参阅书本Convex Optimization或斯坦福大学课程EE364A。

What is disciplined convex programming?

    约束凸优化（DCP）是由Michael Grant，Stephen Boyd和Yinyu Ye提出的一种构造凸优化问题的方法。 它的目的是支持用户从一开始打算凸出的优化问题的制定和构建。

    DCP提出了一套规则，我们称之为DCP规则集。遵循规则集的问题可以快速、自动地确认为凸优化问题并转化为可解形式。即使是凸优化问题只要不符合规则集，也不能使用DCP。这并不是说使用DCP不能解决这样的问题，他们只需要按照符合DCP规则集的方式重写。

    The DCP ruleset给出了DCP规则集的详细说明。规则集是从凸优化问题分析的基本原理中得出的，很容易学习。 作为接受规则集施加的限制的回报，我们获得了相当多的好处，例如将问题自动转换为可解形式，以及对不可微函数完全支持。 在实践中，我们发现DCP非常类似于它们的自然数学形式。

Mixed integer problems

    CVX的2.0版本支持混合整数约束凸规划(MIDCPs)。MIDCP除了一个或多个变量被约束为取整数值外，与标准DCP遵循相同的凸规则。 换句话说，如果把整数约束去掉，就是一个标准的DCP。

    与DCP不同的是，混合整数问题不是凸优化。MIDCP寻找全局最优解需要将传统的凸优化算法与穷举搜索结合，如分支定界算法。

What CVX is not

    CVX并不是检查问题是否是凸优化问题的工具。你还需要了解一些凸优化的知识来使用CVX，否则的话效率很低。如果你不确定你的问题在输入CVX之前是凸的，那么你的努力可能会失败。

    CVX不适用于非常大的问题，因此如果问题非常大（例如，大型图像处理或机器学习问题），CVX很可能不能正常工作（或者根本不行）。对于这样的问题，需要开发自己的程序，以获得所需的效率。

    CVX可以解决许多大中型问题，只要它们具有可利用的结构（如稀疏性），并避免在MatLab中出现for循环以及需要逐次逼近的log和exp等函数。 如果您在解决大型问题时遇到困难，可以考虑将模型发布到CVX论坛，CVX社区可能会提出一个更有效处理的公式。

Licensing

    和免费的解析器配合使用时，CVX在学术和商业环境中是免费的，包括随安装包装提供的SeDuMi和SDPT3版本。在2.0版本中，我们增加了将CVX连接到商业解析器的功能。这项新功能是在CVX 专业版产品层下发布的，我们打算向商业用户授权许可，并免费向学术用户提供。