在机器学习中,很多情况下我们想要优化一个函数。举个例子:给定一个函数 f:Rn − >R ,我们要找到一个 x∈Rn 使得 f(x) 取得最大值/最小值。
通常来说,找到一个全局最优解是困难的。但是,对于凸优化问题,局部最优解便是全局最优解。
凸集
在进行凸优化之前,首先我们要知道什么是凸集。
定义:如果集合C是一个凸集,那么对于 ∀x , y ∈ C,θ ∈ R( θ ≤ θ ≤ 1) ,总有
θx + ( 1 − θ )y ∈ C
几何含义:如果我们对于C中任意两个元素进行连接形成一条直线,那么直线上的任意一个点都在C中,我们称之为凸集。

例如上图,左侧是凸集,右侧是非凸集。
凸函数
定义:对于一个函数 f : Rn − > R ,它的定义域是一个凸集 D(f),且对于 ∀x , y ∈ D(f),0≤θ≤1, 有
f ( θx + (1− θ ) y) ≤ θf(x) + ( 1− θ )f(y)
几何含义:我们在凸函数的图上任取两个点连成一条直线,在这条直线的范围内,凹函数图上的值小于这个直线上的值。

注意:同济高等数学上凸函数,凹函数的定义和国外凹凸函数的定义是相反的。
凸函数的一阶充要条件:
f(y) ≥ f( x ) + ∇xf( x )T( y − x )
其中要求 f 可微
凸函数的二阶充要条件:

其中要求 f 的二阶可微。
凸优化问题
我们已经知道啦什么是凸函数、凸集,现在可以考虑凸优化问题。
通常一个凸优化问题的形式是:

st 为 subject_to 缩写。其中f是一个凸函数,C 是一个凸集,x 是需要优化的变量。然而,上面的式子表达不够清楚,我们通常写成下面的:

其中 f 是一个凸函数,gi 是凸函数,hi 是仿射函数,x 是需要优化的变量。
对于凸优化问题来说,局部最优解就是全局最优解。
常见的凸优化问题
1. 线性规划(Linear Programming)
如果目标函数ff和约束gg都是仿射函数,那这种凸优化问题被称为线性规划问题。

其中 x ∈ Rn 是需要优化的变量,

2. 二次规划(QP)
如果目标函数f是凸二次函数,约束g是不等式的形式,那么这种凸优化问题被称为二次规划问题。

其中 x ∈ Rn 是需要优化的变量,

3. 二次约束的二次规划(QCQP)
如果目标函数 f 和 g 都是凸二次函数,那么这种凸优化问题被称为二次约束的二次规划问题。

其中 x ∈ Rn 是需要优化的变量,

参考资料
http://www.cnblogs.com/fuleying/p/4481334.html
http://cs229.stanford.edu/section/cs229-cvxopt.pdf
来源:CSDN,作者:四月晴
原文:https://blog.csdn.net/siyue0211/article/details/80592788
版权声明:本文为博主原创文章,转载请附上博文链接!