主要的目录
1-2:推荐书目,引言,常见例子,优化问题分类,发展史
3-4:仿射/凸/凸锥 + 集/组合/包
5-6:几种重要的凸集:超平面与半空间/球和椭球/多面体/单纯形/对称(半)(正定)矩阵
7-8:凸集的交集,保凸运算:仿射函数/缩放和移位/透视函数/线性分段函数
9-10:(9缺)凸函数的定义1/定义2/定义3,凸函数的扩展
11-12:凸函数定义2补充/定义4,常见例函数的凸性:二次函数/仿射函数/指数函数/幂函数/绝对值的幂函数/对数函数/负熵/范数/零范数/极大值函数/log-sum-up函数
13-14:函数凸性:极大值函数/log-sum-up函数/几何平均/行列式对数;保持函数凸性:非负加权和/仿射映射/两函数的极大值函数/无像个凸函数的极大值
15-16:复合函数保凸的条件,函数的透视:欧几里得范数的平方/负对数/K-L散度,函数的共轭
17-18:复合函数保凸条件,函数的共轭,α-sublevel set,拟凸函数
19-20:(课堂小测1),向量零范数的松弛形式,可微拟凸函数的一阶条件和二阶条件,对数凹函数/对数凸函数
21-22:可微拟凸函数的一阶条件的充分性证明,凸问题:域/可行解集/最优值/最优解(集)/ε次优解集/局部最优解/可行性优化问题,凸问题的等价形式(举例)
23-24:凸优化问题,凸优化约束的降维和升维(松弛变量),拟凸优化问题,凸问题局部最优等于全局最优,可微目标函数情况下的最优解(画图举例),三个名人的故事
25-26:凸问题的等价变换,营养食谱问题,线性分数规划,二次规划,QCQP,回归问题下x稀疏时的LASSO(引入X=X+ + X-)
27-28:投资组合问题的形式,半正定规划问题,谱范数,多目标优化问题:pareto最优面,多目标问题①的转化(单目标问题②和带约束的单目标问题③)
29-30:对偶性,Lagrange函数,Lagrange函数的凹性,对偶函数与函数共轭的关系,(P)对偶函数的对偶函数仍未(P)
只会介绍2,3,4,5,9,10章节的《凸优化》的书籍内容。
1
1.1 介绍凸优化的一般格式
1. 2 凸优化的两个例子:
- 数据拟合
- 线性二次调节器
- 图像处理
- 最短路径问题
都可以写成凸优化问题。
1.3 优化问题分类
非线性优化、线性规划问题。或者分为凸规划和非凸规划、或者单目标或者多目标问题。
1.4 凸优化主要内容
1 凸集、凸函数
2 凸优化
3 若干算法
2 优化基本概念
2. 1 仿射集,仿射组合,两者等价
仿射集的定义:
仿射集的例子比如:直线是仿射集;线段不是仿射集;二维空间是仿射集;在二维空间中选定取值范围,该范围不是仿射集。
仿射集和仿射组合式等价的。
例子: 线性方程组的解集是仿射集。
仿射包(affine hull)是由实线性空间中的集合所生成的仿射集,设A为实线性空间X中的集合,那么包含A的最小仿射集称为A的仿射包。它是所有包含A的仿射集的全体的交集,也是A中的元素的不断用直线连结后的元素全体,A的仿射包通常记为aff A
问题:给定任意一个集合c cc,如何构造尽可能小的仿射集?我们通过定义仿射包来构建仿射集,这是个大杀器。
1 这个用处很大啊,可以从任意集合中。找到一个仿射集,那不就是一个凸集的取值范围了吗?
2 对于深度学习来说,根本没有凸集的概念,因为参数刚开始都是随机赋值的,这就指导我们考虑是否有很好的指导意见来构造最小凸包,也就是参数的搜索空间变小。
2.2 锥,凸锥
2.3 几种重要的凸集
2.4 超平面和半空间
所在n维空间中的n-1维度的东西,可以由
2.5 球和椭球/多面体/单纯形/对称(半)(正定)矩阵
1 为什么走来要定义凸集的概念呢?
2 中间的问题实在是太多了? 以此定义凸集、凸函数、凸优化的详细定义。
3 全靠假设和实验才能够撑起来论文,深度学习的。
2.3 保凸运算
参考:
https://www.bilibili.com/video/av29071445/?p=1
b站中科大凸优化视频。书籍参考《凸优化》
https://pan.baidu.com/s/108jZ6Ms2DsZD1SDrx75w6g 密码:04b0
上面中科大凸优化的对应板书
https://blog.csdn.net/lzldhhaha/article/details/76382962
深度学习跟凸优化的联系
https://www.zhihu.com/zvideo/1248996886737731584
从凸优化到非凸优化,凸优化理论与方法:从凸到非凸,