机器学习（6）——凸优化理论(一)

概述

  凸优化，或叫做凸最优化，凸最小化，是数学最优化的一个子领域，研究定义于凸集中的凸函数最小化的问题。凸优化在某种意义上说较一般情形的数学最优化问题要简单，譬如在凸优化中局部最优值必定是全局最优值。
  下一个并不严谨的定义，凸优化就是在标准优化问题的范畴内，要求目标函数和约束函数是凸函数的一类优化问题。
  可以说，机器学习几乎所有算法都会涉及到凸优化理论，即使是一个非凸优化问题，可以通过数学的等价变换编程一个凸优化问题进行解决。
  一旦我们将一个问题转换成或者说表示成了凸优化，这个问题就已经得到了解决。可以见得，凸优化在数学领域，是如此的重要，同时在机器学习里面，他也是一个具有成熟求解方法的问题，而其他优化问题未必。

推荐书籍：《凸优化》(Stephen Boyd著，王书宁等译)

凸优化的基本体系

  凸优化知识体系主要由以下几个组成：

• 凸集： 定义目标函数和约束函数的定义域。
• 凸函数： 定义优化相关函数的限制。
• 凸优化： 中心内容的标准描述。
• 凸优化问题求解： 本文的重点，相关算法。
• 对偶问题： 将一般问题转换为凸优化问题的有效手段，求解凸优化问题的有效方法。

标准优化问题

  标准优化问题例如下式：

表示在所有满足的中找出使最小的。
  这里，,函数称为目标函数，相应的成为不等式约束，方程组称为等式约束。假设则称为无约束问题。
  对目标和所有约束函数有定义点的集合(定义域)

凸优化问题

  这里面，是一个凸函数，这种优化问题就称为凸优化问题。
  对比标准优化问题，也就是说，目标函数和不等式约束为凸函数，等是约束是仿射函数的优化问题就是凸优化问题。

睡觉啦，明天更新

Reference

《凸优化》——Stephen Boyd著，王书宁等译

我的掘金:WarrenRyan

我的:WarrenRyan

欢迎关注我的博客获得第一时间更新 https://blog.tity.online

我的Github:StevenEco