Barrier Function for constrained optimization problem

Given
$\min f(a, b, \Sigma)$
$s.t. a > 0, b>0, \Sigma \in pd$

we can utilize the barrier function to prevent the a and b not to be negative, and $\Sigma$ to be pd.

add the barrier function for each constraint, e.g.
$B(a) = (a - 1) \log(a) \quad 0<a<=1$
$B(a) = 0\quad a > 1$
$B(a) = +\infty \quad a<=0$

for $\Sigma$, the barrier function is
$B(\Sigma)= -\log\det \Sigma, \quad \Sigma \in p.d.$
$B(\Sigma) = +\infty \quad, others$

the bound ‘1’ here can be scaled. 因为这是个minize的问题，如果是gradient descent 的话 $x^{k+1} = x^{k} + a^k p^k$, 这里如果$x^{k}$是一个0到1的数，那么他对应的gradient就是负无穷，那么$p^k$就是正无穷，所以下一步的更新值$x^{k+1}$就会被拉回到正数区间。

但是如果用conjugate gradient descent， 这里是无效的，因为$p^k$ 与gradient 不是正相关。如果用lbfgs是可以的