基于多核学习的多视图学习——半正定规划（Semi-Definite Programming, SDP）

半正定规划（Semi-Definite Programming, SDP）是一类凸优化问题，它的目标函数和约束条件都是半正定矩阵的线性函数。

SDP问题通常出现在信号处理、控制理论、组合优化、量子计算等多个领域，因为它们能够处理一些其他类型优化问题无法直接处理的复杂约束。

SDP的标准形式

一个SDP问题可以被表述为：

这里的符号意义如下：

• ：是一个固定的半正定矩阵，表示目标函数中的成本矩阵。
• ：是决策变量，即我们试图找到的半正定矩阵。
• ：是第 个线性约束的矩阵，其中
• ：是第 个线性约束的标量，其中
• ：表示所有
• ：表示矩阵的Frobenius内积，即 。
• ：表示 是半正定的，这意味着对于所有的非零向量 ，有

解释：

• 目标函数： 意味着我们要最小化矩阵 和决策矩阵 之间的Frobenius内积。这个内积实际上是矩阵 和
• 线性约束： 表示对于每一个 ，矩阵 和决策矩阵 之间的内积必须等于给定的标量
• 半正定约束： 确保了决策矩阵 是半正定的。这是SDP的关键特性，也是它名字的来源。

SDP的特点：

1. 凸性：SDP问题是凸优化问题的一种，这意味着如果存在解，那么找到的解将是全局最优解。
2. 高效求解：现代算法，如内点法，可以有效地解决大规模的SDP问题。
3. 应用广泛：SDP问题可以用来放松或近似一些NP-hard的组合优化问题，比如图着色、最大割等问题。

示例：

假设我们有一个SDP问题，其中目标函数是通过矩阵 和决策矩阵 的Frobenius内积给出的，而约束条件则是通过一系列矩阵 和对应的标量

我们的目标是找到一个半正定矩阵

在SDP问题中，矩阵的大小 和约束的数量

例如，如果我们有3个约束，我们就可以写出相应的SDP问题：

原创作者: u_15837794 转载于: https://blog.51cto.com/u_15837794/11458138