#凸優化筆記(1) 引言
文章目錄
1. 引言
1.1 數學優化
優化問題可以寫成如下形式
向量稱之爲優化向量, 是目標函數,是約束函數,問題在於滿足約束條件下尋找最優解
一般的,如果目標函數和約束函數是線性函數的話,則是線性規劃問題,即
凸優化即討論約束函數和目標函數是凸函數的優化問題,即
可以將凸優化看成是線性規劃的擴展
1.1.1 應用
比如投資組合優化等問題,再尋求效益最大化且風險最小化的時候就是應用
大量涉及決策的問題大多數可以轉化爲數學優化的問題
1.1.2 求解優化問題
優化問題的求解並不簡單,但有些特殊的優化問題可以有效地求解
有兩類優化問題廣爲人知:
- 最小二乘問題
- 線性規劃問題
凸優化問題也是可以被有效求解的
1.2 最小二乘和線性規劃
1.2.1 最小二乘問題
最小二乘問題沒有約束條件,形式如下
求解最小二乘問題
上述式子的求解可以簡化爲求解一組線性方程,由可以推出
可得解析解
此外如果係數矩陣A是稀疏的話可以更快的進行求解
使用最小二乘
判別一個優化問題是否是最小二乘十分簡單,只需要檢驗目標函數是否是二次函數,然後檢驗是否是半正定的。
加權最小二乘
形式如下
可以很方便轉化成最小二乘進行求解
正則化
正則化是解決最小二乘問題的另一個技術,一個最簡單的形式如下:
1.2.2 線性規劃
線性規劃問題如下述形式表示
求解線性規劃
存在許多非常有效求解線性規劃問題的方法,比如Dantzig的單純形法,最近發展起來的內點法
使用線性規劃
比如Chebyshev逼近問題
等價於求解如下線性規劃問題
1.3 凸優化
凸優化問題具有以下形式化
其中需要滿足
且
1.3.1 求解凸優化問題
凸優化問題沒有一個確定的解析解,但是和線性規劃類似,存在許多算法求解凸優化問題,實際意義中內點法就比較有效
1.3.2 使用凸優化
同線性規劃和最小二乘類似,我們可以將某個問題轉化爲凸優化問題進而將其求解,不過,判斷哪些問題是否屬於凸優化問題是比較有挑戰性的工作
1.4 非線性優化
即目標函數和約束函數是非線性函數的優化問題
1.4.1 局部優化
尋找局部最優解,不保證是全局最優
1.4.2 全局優化
在全局優化中,人們致力於搜索問題的全局最優解,付出的代價是效率
1.4.3 非凸問題中凸優化的應用
- 局部優化中利用凸優化進行初始值的選取
- 非凸優化中的凸啓發式算法
- 隨機化算法
- 搜索帶約束條件的稀疏向量
- 全局優化的界
- 鬆弛算法中,每個非凸的約束都用一個鬆弛的凸約束來替代