今天开始学Convex Optimization：第3章(part2) Optimization basics

本章来自Ryan Tibshirani的Convex Optimization: Fall 2019课程的Convexity II: Optimization basics小节。

先看一个比较容易理解的概念：最优解组成的集合是一个convex set

如果强凸的函数f，最优解是唯一的：

重写约束条件

限制条件在形式上也可以写成这样的形式（Indicator函数的形式很常见）

对凸函数来说，Local min就是Global min

下面是几个基本技巧:

部分优化：

如果有两个（多个）变量的优化函数，我们可以先求一个变量的最优解（表示成另一个变量的函数），然后优化这个最优解函数。

消除等式约束：

其实有点复杂，不是很明白动机。把x转化为My+x0，要求M的列空间等于A的零空间。这里可以稍微补充一句关于线性代数中矩阵列空间和零空间的概念[2][3][4]。

• 列空间：列空间是指由矩阵A的列向量线性组合而成，因此称为该矩阵的列空间。Col(A) = span(v1,v2,…,vn)，其中vi是A的列向量。
• 零空间：矩阵A的零空间就Ax=0的解的集合，是方程特解的任意线性组合。记为Null(A)。
  

引入Slack变量：

让不等式变方向，并且不是一个函数而是一个变量。但是多了一个等式约束。

例子： SVM的hinge loss form

SVM如果引入松弛因子，就可以写成hinge function形式：

凸函数的一阶最优条件（First-order optimality conditions)

对于一个凸优化问题，有定义域C，如果函数$f$可微，那么一个点$x$是最优点，当且仅当：
$$\nabla f(x{)}^T(y-x)\ge 0，\forall y\in C$$

在无限制优化问题中，unconstrained optimization， 该最优条件退化为$\nabla f(x)=0$

例子：二次优化

因为是unconstrained optimization， 最优条件为$\nabla f(x)=0$。根据$Q$是不是正定矩阵，有一些不同的解，如下：

（其中，如果$Q$是正定矩阵，虽然可以得到一个closed form解，但是我理解除非矩阵规模很小，否则求逆的代价还是太大了，因此还是会选择一些其他迭代式的二次优化方法来求解，而不是直接求逆。）

参考资料

[1] http://www.stat.cmu.edu/~ryantibs/convexopt/scribes/convex-opt-scribed.pdf
[2] https://blog.csdn.net/tengweitw/article/details/40039373
[3] 线性子空间，零空间与列空间, https://www.q-math.com/?page_id=1430
[4] 线性代数(十) ： 矩阵的列空间与零空间, https://www.cnblogs.com/wuoshiwzm/p/7339553.html