##凸优化总结
所有这些想法基本是来自于书籍[convex optimization](http://book.douban.com/subject/1888111/)，主要包括凸优化的基本理论，主要的优化算法。
凸优化的基本理论包括凸优化的基本定义，以及KKT条件。
###优化问题的定义
优化问题的基本定义如下：
$$ argmin_x space f_0(x) $$
$$ s.t. space f_i(x) le 0 space i=1, ..., m $$
$$ h_i(x) = 0 $$
在这里$ f_0(x) $是目标函数，$ f_i(x)$和$h_i(x)$是constraint。
####凸函数和凸集
#####凸函数
所有满足如下定义的函数都称之为凸函数:
$$ f( heta * x + (1 - heta)*y) le heta*f(x) + (1- heta)*f(y) (s.t. 0 le heta le )1 $$
凸函数的一阶特性，这个也是凸函数的充要条件：
$$ f(y) ge f(x) +
abla { f(x) ^ T } * (y-x) $$
这意味着凸函数的任意一个点都可以作为函数下限的估计。
凸函数的二阶充要条件是：
$$
abla ^ 2 f(x) succ 0 $$
要求凸函数的二阶倒数必须是半正定的。
#####凸集(Convex Set)
凸集的定义如下：
如果x和y属于集合S，如何x和y满足如下的性质
$$ heta*x + (1- heta)*y subset S ( 0 le heta le 1) $$
那么集合S则是凸集。
#####锥集(Cone Set)
类似于凸集的定义:
如果x和y属于集合S，切且满足如下的性质
$$ heta_1*x + heta_2*y subset S (0 le heta_1 \, \, and \, \, 0 le heta_2) $$
那么集合S称为锥集。可以看出如果是锥集，那么一定是凸集。
####凸优化的定义
有了凸函数和凸集的定义，便可以非常容易的定义凸优化问题如下：
$$ argmin_x f_0(x) $$
$$ s.t. quad f_i(x) le 0 ; ; i = 1, ..., m $$
$$ quad ; a_i ^ T*x = b_i; ; i=1, ..., p $$
其中$f_0(x)$和$f_i(x)$必须是凸函数，而且函数域必须是凸集。与标准的优化问题相比，凸优化有三个新的限制：
* $f_0(x)$和$f_i(x)$都必须是凸函数。
* 函数的定义域必须是凸集。
* 等式约束必须是仿射函数。
相比于其他类型的优化问题，凸优化的局部最优值是全局最优值，因此存在很大的优势。
####KKT条件和Langrian系数
对于凸函数的标准定义，可以直接定义拉格朗日函数如下：
$$L(x,lambda,
u)=f_0(x) + sum_{i=1}^{i=m}{lambda_i cdotp f_i(x) + ; + mu ^ T*(A ^ {T}cdotp x - b) }$$
在这里要求$lambda_i$必须是非负数。可以看到$L(x,lambda,
u)$在x属于定义域的时候必然小于$f_0(x)$。再定义如下的函数：
$$ g(lambda,
u) = inf_{x subset D} L(x, lambda,
u) $$
定义dual问题如下：
$$ argmx_x ; g(lambda,
u)$$
$$ s.t. lambda succ= 0 $$
这个问题称为原优化问题的对偶问题。假设原问题的最优解为$p^*$，对偶问题的最优解为$d^*$,那么$p^* ge d^*$必然成立。$p^* - d^*$叫做duality gap，只有在强对偶的情况下才为0。
当优化问题达到最值的时候满足KKT条件，对于凸优化问题来说这是充要条件：
$$ f_i(x) le 0 ; (i=1, .., m) $$
$$ a_i ^ T * x = b_i ; (i=1, ..., p) $$
$$ lambda_i ge 0 $$
$$ lambda_i * f_i(x) = 0 $$
$$
abla f(x) + sum_{i}^{m}{lambda_i cdotp
abla f_i(x)} + A ^ T *
u = 0 $$
其中第四个公式称为互补条件(Complentery condition), $ lambda_i $和 $
u_i$称为拉格朗日系数。
因为对凸优化问题来说KKT条件是充要条件，所以有时凸优化问题的解决在于解决KKT条件所确立的线性方程或者KKT矩阵的变形。
###凸优化算法
给定特定的凸优化问题，存在不同类型的优化算法。凸优化问题来说取决于目标函数的形式，约束是等式约束还是不等式约束等等。
####无约束最优化
无约束最优化的基本方法包括梯度下降和牛顿法。牛顿法的核心在于使用目标函数在特定点的二阶近似：
$$ f(y) = f(x); +
abla f(x) ^ T cdotp (y - x ) + 1/2*(y-x)
abla ^ 2 f(x)(y-x) $$
牛顿法就是对这个近似后的函数求最优解。
####有等式约束的二次函数
对于有等式约束的二次优化问题，对应的具体形式：
$$ argmin_x ; ;1/2 cdotp x^TPx + q^Tx + b_0 $$
$$ s.t. A cdotp x = b $$
对应的KKT条件可表述成：
$$ A cdotp x = b $$
$$ A ^ T cdotp
u + Px^* + q = 0 $$
对于这样的问题，可以直接当作线性代数问题解决。
####有等式约束的凸优化
优化的问题可用下面的形式描述：
$$ argmin_x ; f_0(x) $$
$$ A cdotp x = b $$
相比于前一个问题，最大的差别在于优化目标从二次函数更换成一般的可求导的函数，解决问题的方法在于使用泰勒展开。假如当前点x满足等式约束的要求，需要获得优化方向$
abla x_{nt} $,使得目标函数既能下降，又能满足等式约束。
$$ argmin_{
abla x_{nt} } f_0(x +
abla x_{nt}) = f_0(x) +
abla ^ T f_0(x)*
abla x_{nt} + 1/2
abla ^ T x_{nt}
abla ^ 2 f_0(x)
abla x_{nt} $$
$$ s.t ; A(x +
abla x_{nt} ) = b $$
对比于之前的有等式约束的二次优化问题，可以看出这个可以被直接解决。
####一般的凸优化问题
对于既有不等式约束也有等式约束的，且目标函数不是二次和线性函数的凸优化问题，使用两个类似但不同的方法解决问题。
#####Barrier Method
方法的核心是将不等式约束转化到目标函数中，将问题转化成有等式约束的凸优化问题。
转化的问题可以下面的形式描述：
$$ argmin_x f_0(x) + -1/t*(sum_{i=1} ^ { i=m } { log(-f_i(x)) })(t > 0) $$
$$ s.t. quad A cdotp x = b $$
这里使用对数函数将不等式条件纳入到优化目标中，且使用t来控制函数在0附近变化的迅速程度。$t$越大，则整个目标函数越接近理想目标。
也可以看成优化如下的目标函数：
$$ argmin_x t cdotp f_0(x) + phi (x) $$
$$ s.t. A cdotp x = b $$
其中$phi (x)$定义成 $ -( sum_{i=1} ^ {i=m} { log(- f_i(x) ) } ) $，t值怎样变化，唯一的要求就是$f_i(x) lt 0$且$A cdotp x = b$,可以看到不等式约束始终处于激活的状态，因此这个方法称为内点法。
给定t值之后，我们可以写出对应的KKT条件如下：
$$ A cdotp x ^ * = b $$
$$ t cdotp
abla f_0(x) +
abla phi(x) + A ^ T cdotp
u = 0 $$
如果替换成log函数的倒数，那么对应的KKT条件如下：
$$ A cdotp x ^ * = b $$
$$ cdotp
abla f_0(x) + sum_{i=1} ^ {i=m}{- frac{
abla f_i(x) }{t cdotp f_i(x) } } + A ^ T cdotp frac{1}{t}
u =0 $$
如果我们定义$ lambda_i = frac{-1}{t cdotp f_i(x) } $, $mu_i = frac{1}{
u_i} $，那么对Barrier Method，我们可以给出一个类似于KKT的条件解释如下：
$$ A cdotp x = b $$
$$ f_i(x) le 0 quad (i = 1, ..., m) $$
$$ lambda succ = 0 $$
$$
abla f_0(x) + sum_{i=1}^{i=m}{ lambda_i cdotp
abla f_i(x) } + A^T cdotp mu = 0 $$
$$ lambda_i cdotp f_i(x) = - frac{1}{t} $$
根据这样的解释我们可以给出另外一种方法Primal-Dual Interior Point Method。
#####Primal-Dual Interior Point Method
根据Barrier Method的KKT解释，我们可以尝试一步解决问题。即首先选定$t$值，然后通过解如下的等式来解决最优化问题：
$$
abla f_0(x) + sum_{i=1}^{i=m}{ lambda_i cdotp f_i(x) } + A^T cdotp mu = 0 $$
$$ Diag(f_i(x)) cdotp lambda = frac{-1}{t} f 1 $$
$$ A cdotp x = b $$
其中第一个等式称为Dual Residual,第二个等式称为Primal Residual，第三个等式称为Centering Residual，使用公式$r(x, lambda, mu)$来代替三个等式。达到最优解的条件就是：$r(x, lambda, mu) = 0 $。
直接使用牛顿法解决问题，假设迭代方向为$
abla y = (
abla x,
abla lambda,
abla mu) $，那么使用一阶近似
$$ r(x +
abla x, lambda +
abla lambda, mu +
abla mu) = r(x, lambda, mu) + Dr(x, lambda, mu) cdotp (
abla x,
abla lambda,
abla,
abla mu) = 0 $$
其中$Dr(x, lambda, mu)$定义如下：
$$ left| egin{array}{ccc}
abla ^ 2 f_0(x) + sum_{i=1} ^ {i=m}{ lambda_i cdotp
abla ^ 2 f_i(x) } & D f(x) ^ T & A ^ T \ -diag(lambda) cdotp Df(x) & -diag(f(x)) & f 0 \ A & f 0 & f 0 end{array}
ight| left| egin{array}{ccc}
abla x \
abla lambda \
abla mu end{array}
ight| = -left| egin{array}{ccc} r_{dual} \ r_{primal} \ r_{centering} end{array}
ight| $$
基本来说可以使用线性方程组的方法解决这个问题。
###总结
解决凸优化问题的方法可以认为是从简单到复杂的过程，每一步的解决依赖于前面一步的方法。所使用的手段就是泰勒展式，一阶或者二阶的近似。