最小化凸区域上的凸函数
凸优化是使受凸约束的凸目标函数最小化的过程,或者等价地说,使受凸约束的凹目标函数最大化的过程。对于许多凸优化问题,都可以有效地找到满足局部最优性条件的点。因为一个是局部最优的点也是全局最优的点,找到一个局部最优就足以解决问题了。非凸问题的凸逼近提供了最优目标值和近似解的边界。
下图展示了凸优化和非凸优化问题的例子。
凸优化的应用在金融和工程领域,包括投资组合优化、设计优化、参数估计、信号处理和最优控制。例如,针对基准投资组合,在风险和跟踪误差上界的约束下,选择收益最大化的股票组合的问题,可以表述为一个凸优化问题。
凸优化是寻找一个最小化函数的向量\(x\)的数学问题:
$ $ min_ f (x) $ $ {x}
主题:
\(g_i (x)≤0 \)(非线性不等式约束)
\(Ax≤b\)(线性不等式约束)
\(A_{eq} x=b_{eq}\)(线性等式约束)
\(lb≤x≤ub\)(绑定约束)
其中\(g_i,i = 1,…,m\)为凸函数。