目录
1.凸优化相关概念
1.1凸集
1.1.1 定义
1.1.2 几何定义
1.2凸函数
1.2.1 定义
对于凸子集C中任意两个向量 x 1 x_{1} x1、 x 2 x_{2} x2有 f ( ( x 1 + x 2 ) / 2 ) ≤ ( f ( x 1 ) + f ( x 2 ) ) / 2 f\left(\left(x_1+x_2\right) / 2\right) \leq\left(f\left(x_1\right)+f\left(x_2\right)\right) / 2 f((x1+x2)/2)≤(f(x1)+f(x2))/2成立。
1.2.2 几何定义
1.2.2.1 两点法
1.2.2.2 一点法
1.3仿射函数
仿射函数即由 1 阶多项式构成的函数,一般形式为 f(x)=Ax+b,这里,A 是一个 m×k 矩阵,x 是一个 k 向量,b是一个 m 向量,实际上反映了一种从 k 维到 m 维的空间映射关系。
2. 凸优化问题
2.1定义
假设目标函数f、不等式约束函数g、等式约束h在定义域内是连续可微的,且目标函数f和不等式约束函数g是凸函数,等式约束h是仿射函数(线性函数),则这种约束最优化问题称为凸优化问题。
2.2 形式
Reference:
1.https://zhuanlan.zhihu.com/p/441144463(凸函数)
2.https://baike.baidu.com/item/%E4%BB%BF%E5%B0%84%E5%87%BD%E6%95%B0/9276178?fr=aladdin(仿射函数)
3. https://blog.csdn.net/promisejia/article/details/81241201(凸优化)
4. KKT Conditions, First-Order and Second-Order Optimization, and Distributed Optimization: Tutorial and Survey (凸优化)