凸优化问题
m
i
n
f
(
w
)
s
.
t
.
g
i
(
w
)
⩽
0
,
i
=
1
,
2
,
.
.
.
,
k
h
w
=
0
,
i
=
1
,
2
,
.
.
.
,
l
min\ f\left(w\right)\\ s.t.\ g_{i}(w) \leqslant 0, i=1,2,...,k \\ \ h_{w} = 0, i = 1,2,...,l
min f(w)s.t. gi(w)⩽0,i=1,2,...,k hw=0,i=1,2,...,l
其中目标函数
f
(
w
)
f(w)
f(w)和约束函数
g
i
(
w
)
g_{i} (w)
gi(w)都是
R
n
\mathbf{ R}^{n}
Rn上的连续可微函数,约束函数
h
i
(
w
)
h_{i}(w)
hi(w)是
R
n
\mathbf{ R}^{n}
Rn上的仿射函数1。
当目标函数
f
(
w
)
f(w)
f(w)是二次函数且约束函数是
g
i
(
w
)
g_{i}(w)
gi(w)是仿射函数,那么凸优化问题就变为二次规划问题。
f ( x ) f(x) f(x)称为仿射函数,如果它满足 f ( x ) = a ⋅ x + b , a ∈ R n , b ∈ R , c ∈ R n f(x) = a\cdot x +b,a\in \mathbf{R}^{n},b\in\mathbf{R},c\in\mathbf{R}^{n} f(x)=a⋅x+b,a∈Rn,b∈R,c∈Rn ↩︎