1 数学优化的概念:
生活中有很多数学优化的问题,数学优化问题可以写成一下形式:
minimize
subject to
我们一般考虑一些特殊的优化问题。
若优化问题中目标函数和约束函数都是线性函数,即
对任意
则这个问题就是我们高中就学过的线性规划。
实际上,一个优化问题能否很好的解决,并不取决于这个函数是否是线性的,而取决于这个函数是否是凸的。
这门课讨论的就是这个问题。若优化问题中目标函数和约束函数都是凸函数,即
对任意
这时线性规划问题就变成了凸优化问题。线性规划可以看作是凸优化的一种特例。线性规划要满足等式条件,而凸优化只需要满足不等式条件。凸优化是线性规划问题的扩充。凸优化问题被广泛应用中解决投资组合优化问题,解决器件尺寸问题以及数据拟合等应用中。
2 典型的凸优化问题
1最小二乘问题
最小二乘问题没有约束条件,目标项是若干项平方和,即:
minimize
其中,
最小二乘问题有解析解,非常容易解决。而判断一个问题是否是最小二乘问题也很简单,就是判断目标函数是不是二次函数,然后看这个二次函数是否半正定。
看一个例子:
则
此最小二乘问题目标函数即:
2线性规划问题
线性规划问题可以表述为:
minimize
subject to
其中,向量
线性规划问题没有固定的解析式,但是处理线性规划问题也是一项成熟的技术了。线性规划问题相对于最小二乘问题,判断的难度相对大些。线性规划的求解已经集成在固定的工具箱里了。
3凸优化问题
最小二乘和线性规划都是凸优化问题的特例。一个问题只要能表达为凸优化问题,实际上就基本解决了这个问题,因为凸优化问题有很多成熟的解决方案。
但是,想识别一个问题是否是凸优化问题是有一定难度的。这将是这门课研究的重点。
(未完,待续)