本文转载自多个地方，仅用作个人学习，如需删除请见谅并联系本人。
为什么凸优化这么重要？见知乎，写的很
1 梯度下降法
2 坐标下降法
1.首先给定一个初始点，如 X_0=(x1,x2,…,xn);
2.for x_i=1:n
固定除x_i以外的其他维度
以x_i为自变量，求取使得f取得最小值的x_i；
end
3. 循环执行步骤2，直到f的值不再变化或变化很小.
3 牛顿迭代法
牛顿迭代法（Newton’s method）又称为牛顿-拉夫逊方法（Newton-Raphson method），它是牛顿在17世纪提出的一种在实数域和复数域上近似求解方程的方法。多数方程不存在求根公式，因此求精确根非常困难，甚至不可能，从而寻找方程的近似根就显得特别重要。
把f(x）在x0点附近展开成泰勒级数 f(x) = f(x0)+(x－x0)f’(x0)+(x－x0)^2*f”(x0)/2! +… 取其线性部分，作为非线性方程f(x) = 0的近似方程，即泰勒展开的前两项，则有f(x0)+f’(x0)(x－x0)=0 设f’(x0）≠0则其解为x1=x0－f(x0)/f’(x0) 这样，得到牛顿法的一个迭代序列：x(n+1）=x(n）－f(x(n))/f’(x(n)）。
4 最小二乘法与梯度下降法区别
最小二乘是构建目标函数中的一种方法；
梯度下降是求解最优目标函数中的一种方法。
对于变量个数为2-3个的目标函数，可以直接用方程组的方式求解出来，这也就是我们常见的狭义上的最小二乘法。
对于变量个数多个的目标函数，这时，狭义的最小二乘法就难以胜任，而用梯度下降法求解就容易多了。
1.1 什么是凸集?
简单来说， 凸集是一个点集， 这个点集有一个性质， 就是在这个集合中任取不同的两个点x和y， 他们之间的线段（包括端点）上的点都属于这个点集，那么就说这个点集是一个凸集。
比如下图中左边的图形是凸集，而右边不是，因为我们可以找到两个点，使它们之间的线段上的点不在集合中
数学上，凸集的定义如下：
C，
∀x,y∈C，
0≤θ≤1，如果有
θx+(1−θy)∈C
θx+(1−θy)称为x和y的凸组合。
1.2 什么是凸函数?
f:Rn→R，记其定义域为
D(f)，如果
D(f)是凸集，且在其中任取两个点
x,y，满足以下性质：
f(θx+(1−θy))≤θf(x)+(1−θ)f(y)
f为凸函数。
注意：定义域是凸集这个要求不是必须的，其出发点只是为了使x，y的凸组合有定义
关于凸函数，直观上可以用下图来加深理解：
简单来说，我们在定义域任取两个点x，y， 连接他们得到一条线段，如果这个线段上的点都位于对应函数值上方，我们就说该函数是一个凸函数。
x≠y且
0<θ<1我们称
f是严格凸的。如果
−f是凸函数，那么
f就是凹函数。如果
−f是严格凸函数，那么
f就是严格凹函数。
1.3 凸函数的等价判别方法
上面我们讲了什么是凸函数，然而这个定义在现实中很难用于判断一个函数是不是凸的，因此介绍几个等价的定义。
1.3.1 一阶近似
f:Rn→R是可导函数（也就是说
f(x)的梯度
∇xf(x)在整个定义域上都存在），则
f是凸函数当且仅当 其定义域是凸集，且对于所有的
x,y∈D(f)有下式成立：
f(y)≥f(x)+∇xf(x)T(y−x)
f(x)+∇xf(x)T(y−x)叫做对f的一阶近似，其物理意义实际上是经过点x的切平面，我们用这个切平面上的点来近似
f(y)。这个公式的含义是：如果f是凸函数，那么它的一阶近似值始终位于函数值的下方。
1.3.2 二阶近似
f:Rn→R二阶可导（即海塞矩阵在定义域上都有定义），则f是凸函数当且仅当 其定义域是凸集且其海塞矩阵半正定，即：
∇x2f(x)⪰0
x∈Rn，我们记
x=(x1,x2,...,xn)={xi}i=1n，即由n个变量组成的向量。那么海塞矩阵（记为H吧）是一个
n×n的方块矩阵，且
Hij=∂2f(x)∂xi∂xj
Hij是f(x)分别对
xi和
xj进行求导两次得到的。
1.4 凸优化问题
上面已经介绍了凸集和凸函数，是时候到凸优化了吧？ 别急，在介绍凸优化概念之前再啰嗦两句。
1.4.1 水平子集(sublevel sets)
α∈R，我们把集合
{x∈D(f)|f(x)≤α}
α−水平子集。 也就是说
α水平子集是所有满足
f(x)≤α的点构成的集合。利用凸函数性质，我们可以证明水平子集也是凸集：
f(θx+(1−θy))≤θf(x)+(1−θ)f(y)≤θα+(1−θ)α=α
水平子集告诉我们，给凸函数添加一个上限，定义域内剩下的点构成的点集还是一个凸集。
1.4.2 仿射函数(affine functions)
数学上，我们把形如
h(x)=Ax+b
An×m，一个向量
b∈Rm。直观上理解，仿射函数将一个n维空间的向量通过线性变换A映射到m维空间，并在其基础上加上向量b，进行了平移。
同理，我们可以证明，点集
{x∈D(h)|h(x)=0}
是一个凸集，证明略。
1.4.3 凸优化(convex optimization)
那么回到凸优化问题上来， 什么是一个凸优化问题？
一个凸优化问题可以定义为：
其中f是一个凸函数，C是一个凸集。根据先前介绍过的水平子集等概念，上面问题又可以等价写为：
其中，g(x)是凸函数,h(x)是仿射函数。 也就是说，原约束集C被我们表示为一系列凸集的交集（数学上可以证明，凸集的交集还是凸集）。
1.4.4 局部最优（local optima）和全局最优（global optima）
局部最优：周围小范围 内没有比我小的点。
数学定义：
R>0，对于所有的z：
∥x−z∥2<R，有
f(x)≤f(z)，那么就称x是一个局部最优点。
全局最优：我就是整个定义域中的最小的点。
数学定义：
f(x)≤f(z)，则称x是全局最优。
现在回到凸优化问题上， 对于凸优化问题，有一个很重要的结论：
对于凸函数来讲， 局部最优就是全局最优。证明如下：
x是一个局部最优，但不是全局最优，于是我们假设全局最优是
z∗，那么我们有
f(x)>f(z∗)
由x的局部最优性质，我们有 ：
R>0，对于所有的z：
∥x−z∥2<R，有
f(x)≤f(z)
x和
z∗的凸组合：
z=θx+(1−θ)z∗，无论
z∗在哪里，我们总可以找到一个
θ，使得
z位于
x的邻域内，使得
f(x)≤f(z)
另一方面，由凸函数性质，我们有：
f(z)=f(θx+(1−θ)z∗)≤θf(x)+(1−θ)f(z∗)<θf(x)+(1−θ)f(x)=f(x)
f(z)<f(x)，这与
f(x)≤f(z)矛盾， 于是我们证明了如果
x是局部最优，那么同时它也是全局最优。
1.5 常见凸优化问题
- 线性规划
f和
gi都是仿射函数，则凸优化问题变为了线性规划问题：
- 二次规划
f变为一个凸二次函数，则凸优化问题变为二次规划：
- 二次约束二次规划
f和
gi都是凸二次函数
- 半定规划
X∈Sn是一个n维对称方阵，并且我们将它约束为半正定矩阵。
C,Ai都是对称矩阵。这和前面的问题有点不太相同，前面是优化一个向量，而这里是优化一个矩阵。
