CVX用户指南之参考指南

最新推荐文章于 2024-04-07 02:08:28 发布

_Felix_Zhang

最新推荐文章于 2024-04-07 02:08:28 发布

阅读量1.1w

点赞数 20

分类专栏：凸优化文章标签： matlab 读书笔记

本文链接：https://blog.csdn.net/qq_32591057/article/details/122936035

版权

凸优化专栏收录该内容

34 篇文章

订阅专栏

本文档详细介绍了在CVX中使用的一系列运算符、函数和命令，包括线性和非线性函数，如绝对值、指数、对数、范数等。CVX对这些函数进行了重载和扩展，以支持凸优化问题。一些函数如exp、log、power等受到特定限制或需要逐次逼近方法处理。此外，还讨论了各种矩阵操作、集合和命令，如cvx_begin、cvx_end等，用于构建和解决CVX模型。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

在本节中，我们将介绍您在 CVX 中可能遇到的每个运算符、函数、集合和命令。在某些情况下，求解器的局限对其使用施加了某些限制或警告：

用†标记的函数本身不受 CVX 使用的求解器的支持。包含这些函数的模型将由 Mosek 有效求解，Mosek 是唯一支持构建这些函数的指数锥的求解器。对于所有其他求解器，使用逐次逼近方法处理这些函数，该方法对求解器进行多次调用，从而实现相同的最终精度。如果您的问题需要使用逐次逼近法，则会发出警告。这种技术在逐次逼近法中进一步讨论。正如本节所讨论的，这是一种实验性方法，在许多情况下效果很好，但不能保证。
涉及幂（例如 x^p）和p-范数（例如，norm(x,p)）用‡标记。当p是一个有理数，CVX 可以准确表示这些函数。对于 p 的无理数值，将选择最近的有理数。有关如何处理这两种情况的详细信息，请参阅幂函数和 p 范数。

算术运算符

Matlab 的标准算术运算：加+、减 -、乘* .*、除 / ./ \ .\ 和幂 ^ .^ 为了在 CVX 中工作已经重载，只要它们的使用与标准数学和 Matlab 约定以及 DCP 规则集一致。例如：

如果两个 CVX 表达式具有相同的维度（或者其中一个是标量表达式）并且具有相同的曲率（即，两者都是凸、凹或仿射），则可以将它们相加。
CVX 表达式可以乘以或除以标量常数。如果常数为正，则保留曲率;如果为负，则曲率反转。
仿射列向量CVX表达式可以乘以适当维度的常数矩阵;或者它可以被左除以适当维度的非奇异常数矩阵。

当然，还有许多其他组合是可能的。幂运算符 ^ .^ 的使用受到一定限制;请参阅下面非线性中幂的定义。

Matlab 的基本矩阵操作和算术运算也已扩展为可与 CVX 表达式配合使用，包括：

串联： [ A， B ; C， D ]
索引： x（n+1：end）， X（[3，4]， :)，等等
索引分配，包括删除：y（2：4） = 1，Z（1：4，:) = []等。
转置和共轭转置：Z.'，y'

内置函数

线性

Matlab 的许多基本线性和双线性函数要么自动与 cvx 表达式一起工作，要么已经得到扩展包括：conj、conv、cumsum、diag、dot、find、fliplr、flipud、flipdim、horzcat、hankel， ipermute， kron， mean， permute， repmat， reshape， rot90， sparse， sum， trace， tril， triu， toeplitz， vertcat.

大多数对CVX表达式的行为与对数值表达式的行为相同。那些执行某种求和（如 cumsum、sum）或乘法，（如 conv、dot 或 kron）只能根据规范凸编程规则使用。例如，kron（X，Y）仅在 X 或 Y 为常量时才有效; trace（Z）仅当沿对角线的元素具有相同的曲率时才有效。

非线性

abs

实数组和复数组的绝对值。凸。

†exp

指数。凸和非递减。

†log

对数。凹和非递减。

max

最大。凸和非递减。

min

最低。凹和非递减。

norm

实/复向量和矩阵的范数。凸。这个函数严格遵循 Matlab 约定。因此，单参数norm(x)计算向量的2范数，计算矩阵的2范数（最大奇异值）。双参数 norm(x,p)支持如下：

‡ 对于向量，p≥1的所有值被接受。
对于矩阵，p 必须是 1、2、Inf 或 "Fro"。

polyval

多项式计算。polyval(p,x)，其中 p 是长度为 n 的向量，计算

p(1) * x.^(n-1) + p(2) * x.^(n-2) + ... + p(n-1) * x + p(n)

此函数通过两种方式在 CVX 中使用：

如果 p 是变量，x 是常量，polyval(p,x)计算 p 元素的线性组合。组合必须满足求和和缩放的 DCP 规则。
如果 p 是常量，x 是变量，polyval(p,x)构造变量 x 的多项式函数。多项式必须是仿射、凸或凹的，并且 x 必须是实数和仿射。

‡ power(x,p)

x^p 和 x.^p，其中 x 是实变量，p 是实常数。对于 x^p，x 和 p 都必须是标量。只有那些可以合理且明确地解释为凸或凹的 p 值才被接受：

p=0.常数。x.^p 被视为 1。
0<p<1.凹。参数x必须是凹（或仿射），并且隐式地约束为非负。
p=1.仿射。x.^p 就是 x。
p∈{2，4，6，8，.。。}.凸。参数x必须是仿射。
$p > 1$ , $p\not\in\{2,3,4,5,...\}$ .凸。参数x必须是仿射，并且隐式约束为非负数。

不允许负和奇整数p，但请参阅下一节中pow_p、pow_pos和pow_abs函数，了解有用的替代方法。

†power(p,x)

p.^x 和 p^x，其中 p 是实常数，x 是实变量。对于 p^x，p 和 x 都必须是标量。p 的有效值包括：

p∈{0，1}.常数。
0<p<1凸和非递增;x 必须是凹的。
$p > 1$ .凸和非递减;x 必须是凸的。

不允许使用负值p。

std

标准差。凸。

sqrt

平方根。隐式地将其参数限制为非负数。凹和非递减。

var

方差。凸。

新函数

尽管这些函数是专门为 CVX 开发的，但如果提供数值参数，它们也可以在 CVX 规范之外工作。

avg_abs_dev

关于平均值 $\mu(x)$ 的平均绝对偏差.凸。

$f_{\text{aad}}(x) = \frac{1}{n} \sum_{i=1}^n |x_i-\mu(x)| = \frac{1}{n} \sum_{i=1}^n \left| x_i - {\textstyle\frac{1}{n}\sum_i x_i}\right| = \frac{1}{n}\left\| (I-\tfrac{1}{n}\textbf{1}\textbf{1}^T)x \right\|_1.$

avg_abs_dev_med

关于中位数 $\mathop{\textrm{m}}(x)$ 的平均绝对偏差.凸

$f_{\text{aadm}}(x) = \frac{1}{n} \sum_{i=1}^n |x_i-\mathop{\textrm{m}}(x)| = \inf_y \frac{1}{n} \sum_{i=1}^n |x_i-y|$

det_inv

对称（或埃尔米特）正定矩阵逆的行列式， $\det X^{-1}$ ，它与特征值倒数的积相同。当在 CVX 规范中使用时，det_inv将矩阵约束为对称（如果实数）或埃尔米特（如果复数）和正半定。当与数值参数一起使用时，如果不满足这些约束，det_inv返回 +Inf。凸。

det_rootn

半定矩阵行列式的n次根， $(\det X)^{1/n}$ .当在 CVX 规范中使用时，det_rootn将矩阵约束为对称（如果实数）或埃尔米特矩阵（如果复数）和正半定。当与数值参数一起使用时，如果不满足这些约束，det_rootn返回 -Inf。凹。

det_root2n

半定矩阵行列式的2n次根;即，det_root2n(X)=sqrt(det_rootn(X)).凹。仅用于向后兼容目的。

† entr

熵函数：entr（x）=-x.*log（x）。凹。当使用具有负元素的常量参数调用时，返回 -Inf。

geo_mean

向量的几何平均值， $\left( \prod_{k=1}^n x_k \right)^{1/n}$ 在 CVX 规范中使用时，geo_mean将向量的元素限制为非负数。当与数值参数一起使用时，如果任何元素为负数，geo_mean返回 -Inf。凹和递增。

inv_pos

正部分的倒数， $1/\max\{x,0\}$ .在 CVX 规范内部，施加约束，使其参数为正。CVX 规范外部，如果 $x\leq 0$ 返回 $+\infty$ 。凸和递减。

† kl_div

Kullback-Leibler距离：

$f_{\text{kl}}(x,y) \triangleq \begin{cases} x\log(x/y)-x+y & x,y>0 \\ 0 & x=y=0 \\ +\infty & \text{otherwise} \end{cases}$

凸。CVX 规范外部，如果参数不在域中返回 $+\infty$ 。

lambda_max

实对称或复埃尔米特矩阵的最大特征值。在 CVX 内部，施加约束保证参数是对称的（如果是实数）或埃尔米特的（如果是复数）。凸。

lambda_min

实对称或复埃尔米特矩阵的最小特征值。在 CVX 内部，施加约束保证参数是对称的（如果是实数）或埃尔米特的（如果是复数）。凹。

lambda_sum_largest（X，k）

实对称或复埃尔米特矩阵的k个最大特征值之和。在 CVX 内部，施加约束保证参数是对称的（如果是实数）或埃尔米特的（如果是复数）。凸。

lambda_sum_smallest（X，k）

实对称或复埃尔米特矩阵的k个最小特征值之和。在 CVX 内部，施加约束保证参数是对称的（如果是实数）或埃尔米特的（如果是复数）。凹。

log_det

正定矩阵行列式对数， $\log \det(X)$ ，当在 CVX 规范中使用时，log_det将其参数限制为对称（如果实数）或埃尔米特（如果复数）和正定。使用数值参数时，如果不满足这些约束，log_det返回 -Inf。凹。

‡ log_normcdf（x）

标准正态随机变量累积分布函数的对数。凹和递增。

† log_prod（x）

当x是整数 $\log\prod_i x_i$ ;否则 $-\infty$ 。凹和非递增。等效于 sum_log（x）。

†log_sum_exp（x）

x 的元素指数之和的对数。凸和非递减。

logsumexp_sdp

log-sum-exp函数的多项式近似，具有全局绝对精度。这可用于估计log-sum-exp函数，而无需使用逐次逼近法。

matrix_frac（x，Y）

$x^TY^{-1}x$ 。在 CVX 中，施加约束保证Y是对称的（或埃尔米特）和正定的;在 CVX 外部，返回+∞除非 $Y=Y^T\succ 0$ 。凸。

norm_largest（x，k）

对于实和复向量，返回向量 x 中k 个最大幅值的总和。凸。

norm_nuc（X）

实或复矩阵 X 的奇异值之和。凸。

‡ norms(x,p,dim), norms_largest(x,k,dim)

沿矩阵或 N维数组的指定维度计算向量范数。对于范数之和和最大范数问题很有用。凸。

poly_env（p，x）

计算 p 描述的多项式（在polyval意义上）的凸包络或凹包络的值。p 必须是一个实数常数向量，其长度 n 为 0、1、2、3 或其他奇数长度;并且 x 必须是实数和仿射。p 的第一个非零元素的符号决定了是构造凸（正）包络还是凹（负）包络。

pos(x)

$\max\{x,0\}$ ，用于实数x.凸和递增。

‡ pow_abs（x，p）

$|x|^p$ 用于 $x\in\mathbf{R}$ 或 $x\in\mathbf{C}$ ， $p\geq 1$ .凸。

‡ pow_pos（x，p）

$\max\{x,0\}^p$ 用于 $x\in\mathbf{R}$ $p\geq 1$ .凸和非递减。

‡ pow_p（x，p）

用于 $x\in\mathbf{R}$ 和实常数p，计算幂函数的非负凸分支和凹分支：

$\begin{array}{ccl} p\leq 0 & f_p(x) \triangleq \begin{cases} x^p & x > 0 \\ +\infty & x \leq 0 \end{cases} & \text{convex, nonincreasing} \\ 0 < p \leq 1 & f_p(x) \triangleq \begin{cases} x^p & x \geq 0 \\ -\infty & x < 0 \end{cases} & \text{concave, nondecreasing} \\ p \geq 1 & f_p(x) \triangleq \begin{cases} x^p & x \geq 0 \\ +\infty & x < 0 \end{cases} & \text{convex, nonmonotonic} \end{array}$

prod_inv(x)

当x为正数时， $\prod_i x_i^{-1}$ ；否则 +∞. 凸和非递增.

quad_form（x，P）

对于实x和对称P， $x^TPx$ 对于复x和埃尔米特P， $x^HPx$ .当P固定和正半定，凸;当P固定和负半定，凹;

注意：二次函数（如quad_form，sum_square通常可以被norm函数替换，而不会牺牲等价性。出于数值原因，此替代公式是首选。有关详细信息，请参阅消除二次型。

quad_over_lin（x，y）

对于 $x \in \mathbf{R}^n$ ， $y >0$ ， $x^Tx/y$ ；对于 $x \in \mathbf{C}^n$ ， $y>0$ ， $x^*x/y$ 。在 CVX 规范中，添加约束y>0. CVX 规范之外，如果y≤0，返回+∞.凸，y上递减.

quad_pos_over_lin（x，y）

对于 $x \in \mathbf{R}^n$ ， $y >0$ ，sum_square_pos（ x ）/y .凸，x上递增，y上递减.

†rel_entr（x）

标量相对熵;rel_entr（x，y）=x.*log（x/y）.凸。

sigma_max

实或复矩阵的最大奇异值。与norm相同。凸。

square

对于 $x\in\mathbf{R}$ ， $x^2$ .凸。

square_abs

对于 $x\in\mathbf{R}$ 或 $x\in\mathbf{C}$ ， $|x|^2$ 。

square_pos

对于 $x\in\mathbf{R}$ ， $\max\{x,0\}^2$ .凸和递增。

sum_largest（x，k）

实向量x的k个最大值之和，对于x.凸和非递减。

† sum_log(x)

当x为正数时， $\sum_i\log(x_i)$ ; 否则−∞. 凹和非递减。

sum_smallest（x，k）

k个最小值之和，即等效于 -sum_largest（-x，k）。凹和非递减。

sum_square

等效于 sum（square（x）），但效率更高。凸。仅适用于实值。

sum_square_abs

等效于 sum（square_abs（x）），但效率更高。凸。

sum_square_pos

等效于 sum（square_pos（x）），但效率更高。仅适用于实值。凸和递增。

trace_inv（X）

SPD 矩阵 X 逆的迹，它与特征值的倒数之和相同。凸。在 CVX 之外，如果参数不是正定的，则返回 +Inf。

trace_sqrtm（X）

正半定矩阵 X 的平方根的迹。这与特征值的平方根之和相同。凹。在 CVX 外部，如果参数不是正半定，则返回 +Inf。

集合

CVX目前支持以下集合;在每种情况下，n 都是正整数常量。

nonnegative(n)

$R^n_+ \triangleq \left\{\,x\in\mathbf{R}^n\,~|~\,x_i\geq 0,~i=1,2,\dots,n\,\right\}$

simplex(n)

$R^n_{1+} \triangleq \left\{\,x\in\mathbf{R}^n\,~|~\,x_i\geq 0,~i=1,2,\dots,n,~\textstyle\sum_ix_i=1\,\right\}$

semidefinite(n)

$\mathbf{S}^n_+ \triangleq \left\{\,X\in\mathbf{R}^{n\times n}\,~|~\,X=X^T,~X\succeq 0\,\right\}$

hermitian_semidefinite(n)

$\mathbf{H}^n_+ \triangleq \left\{\,Z\in\mathbf{C}^{n\times n}\,~|~\,Z=Z^H,~Z\succeq 0\,\right\}$

nonneg_poly_coeffs(n)

$\mathbf{P}_{+,n} \triangleq \left\{\,p\in\mathbf{R}^n[n+1]\,~|~\,\sum_{i=0}^n p_{i+1} x^{n-i} \geq 0 ~ \forall x\in\mathbf{R}\,\right\}$

convex_poly_coeffs(n)

$\mathbf{E} \triangleq \text{cl}\left\{\,(x,y,z)\in\mathbf{R}\times\mathbf{R}\times\mathbf{R}\,~|~\,y>0,~ye^{x/y}\leq z\,\right\}$

exp_cone

$\mathbf{E} \triangleq \text{cl}\left\{\,(x,y,z)\in\mathbf{R}\times\mathbf{R}\times\mathbf{R}\,~|~\,y>0,~ye^{x/y}\leq z\,\right\}$

geo_mean_cone(n)

$\mathbf{G}_n \triangleq \text{cl}\left\{\,(x,y)\in\mathbf{R}^n\times\mathbf{R}^n\times\mathbf{R}^n\,~|~\,x\geq 0,~(\prod_{i=1}^n x_i)^{1/n} \geq y\,\right\}$