我們知道壓縮感知主要有三個東西：信號的稀疏性，測量矩陣的設(shè)計，重建算法的設(shè)計。那么，在重建算法中，如何對問題建立數(shù)學模型并求解，這就涉及到了最優(yōu)化或凸優(yōu)化的相關(guān)知識。

在壓縮感知中，大部分情況下都轉(zhuǎn)換為凸優(yōu)化問題，并通過最優(yōu)化方法來求解，因此了解相關(guān)知識就顯得尤為重要了。

主要內(nèi)容：

問題引出 凸集 凸函數(shù) 凸優(yōu)化 最優(yōu)化 1、問題引出

在n維空間中，對于任意兩個點，對于0<=μ<=1，則表達式μx+(1-μ)y表示x和y連線之間的所有點。

證明略。

2、凸集

定義：

對于某集合中的任意x, y兩個點，若x和y連線之間的所有點（0<=μ<=1，μx+(1-μ)y）仍屬于這個集合，則稱此集合為凸集。

直觀的幾何表示：

左邊的是凸集，右邊的不是凸集，因為右邊的集合中任意兩點x和y連線之間的所有點有時不屬于這個集合（右圖中的連線）。

3、凸函數(shù)

定義：

對于f(x)是定義在某凸集（非空的，空集也被規(guī)定為凸集）上的函數(shù)，對于凸集中的任意兩點x1和x2，若

f[μx1+(1-μ)x2]<=μf(x1)+(1-μ)f(x2)

則稱函數(shù)f(x)為凸函數(shù)。

直觀的幾何表示：

也就是說兩點對應(yīng)的函數(shù)值f(x1)和f(x2)的之間的連線（μf(x1)+(1-μ)f(x2)）大于等于相應(yīng)的（即同一個μ值）兩點之間連線（μx1+(1-μ)x2）所對應(yīng)的函數(shù)值f[μx1+(1-μ)x2]。

這其實應(yīng)叫下凸。

如果把上面不等式中的等號去掉，即

f[μx1+(1-μ)x2]<μf(x1)+(1-μ)f(x2)?，其中0<μ<1

則稱f(x)為嚴格凸函數(shù)。

凸函數(shù)的判定方法：

求導(dǎo)計算判斷：

一階充要條件：

其中要求f一階可微。

二階充要條件：

其中要求f二階可微，表示二階導(dǎo)數(shù)需大于0才是凸函數(shù)。

常用函數(shù)分析法：

　　指數(shù)函數(shù)是凸函數(shù)；

　　對數(shù)函數(shù)是凹函數(shù)，然后負對數(shù)函數(shù)就是凸函數(shù)；

　　對于一個凸函數(shù)進行仿射變換，可以理解為線性變換，結(jié)果還是凸函數(shù)；

　　二次函數(shù)是凸函數(shù)（二次項系數(shù)為正）；

　　高斯分布函數(shù)是凹函數(shù)；

　　常見的范數(shù)函數(shù)是凸函數(shù)；

?多個凸函數(shù)的線性加權(quán)，如果權(quán)值是大于等于零的，那么整個加權(quán)結(jié)果函數(shù)是凸函數(shù)。

4、凸優(yōu)化

定義：

同時滿足如下兩個條件的優(yōu)化問題稱為凸優(yōu)化：

1）目標函數(shù)(objective function)是凸函數(shù)；

2）可行集合(feasible set)必須是凸集；

即在凸集上尋找凸函數(shù)的全局最值的過程稱為凸優(yōu)化。

對于一下的優(yōu)化問題：

若目標函數(shù)f(x)是凸函數(shù)且可行集R是凸集，則稱這樣的問題為凸優(yōu)化問題。

或者：

如果目標函數(shù)f(x)和共l個約束函數(shù)gi(x)都是凸函數(shù)，則稱這樣的問題為凸優(yōu)化問題。

實際上，可以證明，約束函數(shù)gi(x)都是凸函數(shù)，則它的可行集是凸集。

凸優(yōu)化的特點：

1）如果一個實際的問題可以被表示成凸優(yōu)化問題，那么我們就可以認為其能夠得到很好的解決。

2）還有的問題不是凸優(yōu)化問題，但是凸優(yōu)化問題同樣可以在求解該問題中發(fā)揮重要的左右。比如松弛算法和拉格朗日松弛算法，將非凸的限制條件松弛為凸限制條件。

3）對于凸優(yōu)化問題來說，局部最優(yōu)解就是全局最優(yōu)解。

4）若f(x)在非空可行集R上是嚴格凸函數(shù)，則全局極值點是唯一的。

也就是說如果把一個非凸優(yōu)化問題轉(zhuǎn)化為凸優(yōu)化問題（松弛算法），則若求得一個局部最優(yōu)解即為得到了全局最優(yōu)解（若目標函數(shù)在可行集上是嚴格凸函數(shù)，則此解還是唯一的），并且凸優(yōu)化問題能夠比較好的得解決，因此在看壓縮感知的文獻時經(jīng)常會看到如何如之何修改一下約束條件使之變?yōu)橐粋€凸優(yōu)化問題。

非凸優(yōu)化問題如何轉(zhuǎn)化為凸優(yōu)化問題：

1）修改目標函數(shù)，使之轉(zhuǎn)化為凸函數(shù)

2）拋棄一些約束條件，使新的可行域為凸集并且包含原可行域

實際建模中判斷一個最優(yōu)化問題是不是凸優(yōu)化問題的方法：

1、目標函數(shù)f如果不是凸函數(shù)，則不是凸優(yōu)化問題

2、決策變量x中包含離散變量（0-1變量或整數(shù)變量），則不是凸優(yōu)化問題

3、約束條件寫成g(x)<=0時，g如果不是凸函數(shù)，則不是凸優(yōu)化問題

5、最優(yōu)化

最優(yōu)化問題：

線性規(guī)劃

二次規(guī)劃

二次約束的二次規(guī)劃

半正定規(guī)劃

最優(yōu)化手段：

　　梯度上升（下降）法

　　牛頓法 / 擬牛頓法

　　坐標下降法：