凸优化问题的基本形式
给出优化问题的基本形式
minimize f0(x) 最小
subject to fi(x) ≤ bi , i = 1, . . . , m限制条件
下面逐一介绍各部分:
- 优化:optimization
- x:是个向量(x1, . . . , xn) ,叫做 optimization variable(优化变量)
- f0 : R n → R ,是n维到一维的一个映射,叫做 objective function(目标函数)
- fi : R n → R, i = 1, . . . , m, are the (inequality) constraint functions, and the constants b1, . . . , bm are the limits, or bounds, for the constraints。(不等)限制函数。
- A vector x⋆ is called optimal(最优化), or a solution of the problem,满足for any z with f1(z) ≤ b1, . . . , fm(z) ≤ bm, we have f0(z) ≥ f0(x ⋆ )
总结:在限制函数条件下,在候选向量中获取使目标函数最小的最优解。
线性优化问题
如果限制函数和目标函数满足下面的式子:
就叫线性优化问题,反之叫非线性优化问题。
凸优化问题
限制函数和目标函数满足下面的式子:
即凸函数,就叫凸优化问题
凸优化例子
二次函数
其中fi为x<=a&&x>=b
TV-L2问题
TV(total variantion)范数:
相当于是x,y方向上的差分,通过L2范数整合在一起,大概能表示边缘的多少
F范数:
矩阵对应相减后平方相加,得到一个数,能表示两张图有多接近。
先说一下在干嘛:
给定一张带噪音的图像
要得到去掉噪音的图像
,当然完全去掉噪音是不可能的。
那么我们构造一个
(那个landa自己看情况取)
这样的目标函数,既考虑了平滑(去噪音)又考虑了要与原图相近,使其不至于优化出一张纯色图。
优化目标是找到最好的使目标函数最小。