本文是中科大凸优化课程的笔记，重点讲解了多目标优化问题，包括帕累托最优面的概念，以及如何通过优化方法找到Pareto front上的解。举例介绍了Ridge Regression，展示了岭回归的优化形式。笔记还预告了下一讲将讨论Lagrange对偶。
全部笔记的汇总贴（视频也有传送门）：中科大-凸优化
min t s . t . A T ( x ) A ( x ) − t 2 I ≤ 0 t ≥ 0 ⇔ min t s . t . [ t I A ( x ) A T ( x ) t I ] ⪰ 0 t ≥ 0 ⇔ min t s . t . Y = [ t I A ( x ) A T ( x ) t I ] （ 线 性 ） Y ⪰ 0 （ 半 正 定 ） t ≥ 0 （ 线 性 ） \min t\\s.t. A^T(x)A(x)-t^2I\le0\\t\ge0\\\;\\\Leftrightarrow \\\min t\\s.t.\;\left[ \begin{matrix} tI& A(x) \\ A^T(x) & tI \\ \end{matrix} \right]\succeq0\\t\ge0\\\;\\\Leftrightarrow\\\min t\\s.t.\;\;Y=\left[ \begin{matrix} tI& A(x) \\ A^T(x) & tI \\ \end{matrix} \right]（线性）\\Y\succeq0（半正定）\\t\ge0（线性） mints.t.AT(x)A(x)−t2I≤0t≥0⇔mints.t.[tIAT(x)A(x)tI]⪰0t≥0⇔mints.t.Y=[tIA
最低0.47元/天 解锁文章
扫一扫
1050
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
