凸优化_0_简介

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 f_i(x) ≤ b_i , 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）
• f_i : 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, . . . , f_m(z) ≤ b_m, 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。