凸优化问题:
对于最优化问题P: min f(x1, x2 , …,xn)
s.t. : gi ( x1 , x2 , … , xn) <= 0 , i = 1 , … , m
hi ( x1 , x2 , … , xn) = 0 ,i = 1 , … , l
1 . 记可行域为S = { x ∈ Rn | gi(x)<=0 , i=1,…,m , hi(x)=0 , i = 1 , … , l.}
2.当f(x) , gi(x) , i=1,…,m 是凸函数 , hi(x),i=1,…,l 是线性函数 , 问题(P)称为凸优化问题。
也就是说 , 当最优化问题中,目标函数和不等式约束都是凸函数,等式约束是线性函数时,我们称这个最优化问题为凸优化问题。
为什么要区分凸优化问题和非凸优化问题?
这是因为,凸优化问题中,局部最优解即为全局最优解。
凸优化问题的最优性条件:
几何意义很容易理解 , 等值线上,增大的方向是梯度方向。减小的方向是负梯度方向,最优解处 , 负梯度方向和可行域内任意一个点的向量夹角都是钝角,所以<=0 , 那消去负号就是大于等于零。
特殊凸问题的最优性条件:
常见的凸优化问题:
线性规划:
标准形式:
min cTx ,
s.t. Ax = b , x > 0
以下几类问题可转化为线性规划:
1.分式线性规划:
min (cTx + d) / (eTx + f) ,
s.t. Ax = b , Dx <= h
其中 , eTx + f > 0
2.最小化绝对值函数:
min { | aTx + c| , s.t. Ax = b}