梯度下降法和牛顿法等基于导数作为判断依据的优化算法,找到的都是导数为0的点,但是梯度为0只是取得极值的必要条件而非充分条件。如果我们将这个必要条件变成充分条件,即:
x点的梯度等于0=》x是问题的最优解
若对于目标函数,我们限定是凸函数;对于优化变量的可行域(包括目标函数对定义域的约束),我们限定为凸集。
同时满足这两个限制条件的最优化问题成为凸优化问题,这类问题有个非常好的性质,那就是局部最优解一定是全局最优解。这个特性可以保证我们在求解时不会陷入局部最优解,即如果找到了问题的一个局部最优解,则它一定也是全局最优解,这极大的简化了问题的求解。
1.关于凸集的概念:
对于n维空间中点的集合C,如果对集合中的任意两点x和y,以及实数,都有:
则称该集合称为凸集。如果把这个集合画出来,其边界是凸的,没有凹进去的地方。直观来看,把该集合中的任意两点用直线连起来,直线上的点都属于该集合。