《凸优化》二读之杂言1

凸优化近些年的发展主要有两点：凸优化问题的求解方法，例如发现之前用于求解线性规划问题的内点法也可以用于求解凸优化问题；凸优化问题的广泛应用，例如自动控制系统，信号处理等。

一个优化问题如果可以识别、描述为凸优化问题，这个问题就可以轻松求解，例如使用内点法。因此，凸优化学习聚焦在凸优化问题的描述和建模上。

凸优化也可以用于求解非凸问题，例如作为非凸优化算法的一个初始值、求解非凸问题的启发式算法（例如压缩感知中，使用范数代替范数）和计算非凸问题最优解的一个下界（利用松弛和拉格朗日对偶）等。

凸优化理论涉及凸集、凸函数、保凸运算、变换、拉格朗日对偶等知识。

凸优化问题相比于一般非线性优化问题更容易求解。求解凸优化问题的内点法的复杂度和问题维度是多项式关系，而一般非线性优化问题的求解方法的复杂度，在最坏情况下，和问题维度是指数关系。事实上，优化的分水岭不是线性和非线性，而是凸性和非凸性。