LP/QP/QCQP/SOCP/SDP/CCCP等系列优化方法的比较

转载自http://blog.csdn.net/haiming_yeyeye/article/details/48979591，仅用作个人学习。如需删除，请见谅并联系本人。为了不分原创浏览量，本人自己踩此文一下。

在优化理论中，我们经常会碰到很多特殊类型的优化方法，最近主要看了convex optimization，将其中涉及到的一些常见优化方法整理如下。

LP-Linear Programming

一般形式：

QP-Quadratic Programming

当约束条件变为二次的时，问题就变成了QCQP（Quadratical Constraint Quadratic Programming）问题了

SOCP-Second-Order Cone Programming  二阶锥规划

这里给出的定义比较详细了，但是，对于second-order cone一开始不是很理解，在一个相关的主页中看到如下的解释:

The second-order cone in  is the set of vectors  with . The picture shows part of the cone, and a slice (at ).

而在socp中，是将线性函数变成了仿射函数（Second-order cone programming (SOCP) is a generalization of linear and quadratic programming that allows for affine combination of variables to be constrained inside second-order cones）

SDP-Semi-Definite Programming     半定规划

这里，最后一段表明sdp与lp之间的关系，表明lp只是sdp的特殊情况。

CCCP-ConCave-Convex Procedure

凹凸优化方法在《Convex optimization》中没有提到，查阅了相关文献，作如下总结：

理论1说明了凹凸优化使用的范围，只要求能量函数的二阶偏导有界，并且其对应的特征值以ε为下界即可。

理论2给出了CCCP算法的迭代方法，然后证明了运用这样的迭代方法，能够使得能量函数E(x)单调递减。

对于（2）式的证明，文中说通过二阶泰勒展开式和罗尔定理来证明，待实践。

另外，文中给出了一个小示例，对于CCCP的理解有帮助

对于定理3，这里没有贴出来，主要是在目标函数有线性约束下的迭代公式。

对于这里的优化方法，通常可以运用Lagrange对偶化或者内点法来解决，对于内点法，我会单独写一篇blog来记录。

reference：

[1] Boyd,convex optimization

[2] A.L.Yuille et al.The ConCave-Convex Procedure(CCCP)2002