求解一个一般性的最优化问题的全局极小值是非常困难的,至少要面临的问题是:函数可能有多个局部极值点,另外还有鞍点问题。对于第一个问题,我们找到了一个梯度为0的点,它是极值点,但不是全局极值,如果一个问题有多个局部极值,则我们要把所有局部极值找出来,然后比较,得到全局极值,这非常困难,而且计算成本相当高。第二个问题更严重,我们找到了梯度为0的点,但它连局部极值都不是,典型的是 x的三次方 这个函数,在0点处,它的导数等于0,但这根本不是极值点:
如果对问题加以限定,是可以保证必要条件变成充分条件的。其中的一种限制方案是:
对于目标函数,我们限定是凸函数;对于优化变量的可行域(注意,还要包括目标函数定义域的约束),我们限定它是凸集。
那么凸集是什么呢
对于n维空间中点的集合C,如果对集合中的任意两点x和y,以及实数 [公式] ,都有:
通俗来讲就是任意两点用直线连起来,直线上的点都属于该集合。