凸优化 的 问题 是经常碰到的，常见的KKT求解、包括最小二乘法的一种解释等等。 其实 凸优化 的概念并不复杂，牵扯到凸集合、上镜面、凸函数等概念。下面为网络中比较好的一种解释，收藏。 凸优化 ，是数学最优化的一个子领域，研究定义于凸集中的凸函数最小化的 问题 。虽然条件苛刻，但应用广泛，具有重要价值，主要体现在： 凸优化 本身具有很好的性质 一来，凸 问题 的局部最优解就是全局最优解。二来， 凸优化 理...

1. 凸优化 和 非 凸优化 凸优化 问题 是指X是闭合的凸集且f是X上的凸函数的最优化 问题 ，这两个条件任一不满足则该 问题 即为 非 凸的最优化 问题 。 之所以要区分 凸优化 问题 和 非 凸的 问题 原因在于 凸优化 问题 中局部最优解同时也是全局最优解，这个特性使 凸优化 问题 在一定意义上更易于解决，而一般的 非 凸最优化 问题 相比之下更难解决。 详细的可以参考 https://blog.csdn.net/kebu12345678/artic...

非 凸 问题 的求解方法 针对形如下式的函数： min⁡x∈XV(x)=F(x)+G(x)\min\limits_{{\bf{x}}\in X} V(x)=F(x)+G(x)x∈Xmin​V(x)=F(x)+G(x); 其中F为光滑的（不一定convex），G是convex的但是可能不可微，且存在：对于n维实矢量空间，有X=X1×...×XNX=X_1 \times...\times X_NX=X1​×...×XN​; x=(x1,...,xN)\bf{x} =(x_1,...,x_N)x=(x1​,...,xN

非 凸优化 的方法 关于 非 凸优化 的方法， https://blog.csdn.net/kebu12345678/article/details/54926287 提到，可以把 非 凸优化 转换为 凸优化 ，通过修改一些条件。 非 凸优化 问题 如何转化为 凸优化 问题 的方法： 1）修改目标函数，使之转化为凸函数 2）抛弃一些约束条件，使新的可行域为凸集并且包含原可行域 而 https://blog.csdn.net/R1...

在工程实践中，无需关心 二次规划/ 凸优化 的细节，工程师 只需要 调相应的第三方成熟软件包计算二次规划/ 凸优化 的结果即可。当然，更重要的是知道 算法 的使用条件、优缺点、使用场景。 决策规划 算法 的输出目标：输出一条满足约束条件的最优轨迹。（用代价函数来量化最优性） 最优的评价指标： 3，耗时短 1，轨迹连续 2，无碰撞 3，遵守交通规则 4，满足车辆动力学、运动学约束 一、迭代法求高维复杂约束函数的最小值 高中数学，求连续可导函数F(x)在定区间[a,b]上的最小值。