Class Central is learner-supported. When you buy through links on our site, we may earn an affiliate commission.

National University of Defense Technology

凸优化

National University of Defense Technology via XuetangX

Overview

Coursera Flash Sale
40% Off Coursera Plus for 3 Months!
Grab it

当前,智能革命扑面而来,我们调研各种智能系统、智能机制、智能模型和智能算法背后的原理,发现最优化理论特别是凸优化的模型和算法发挥了重要作用,可以说凸优化是支撑智能革命背后的核心数学机理之一。课程团队2013年开设《凸优化》课程,历经10余年的建设发展实践,取得了较好的育人和创新效益。《凸优化》是面向研究生和高年级本科生的一门重要的基础性课程,主要介绍凸优化学科的概貌、凸优化的集合与函数要素、凸模型的构建转化、凸模型的优美性质、凸模型的典型应用、凸模型的典型算法等内容,目的是为学生打下优势数学基础,为科研创新提供支撑。欢迎大家学习《凸优化》课程,一起感受凸优化之美、掌握凸优化之要、学会凸优化之用,热情拥抱智能时代。

Syllabus

  • 第一章 课程概貌
    • 1.1-数学优化模型
    • 1.2-凸优化的作用
    • 1.3-凸优化的内容
    • 1.4-预备知识之二次范数
    • 1.5-预备知识之一般范数
    • 1.6-预备知识之拓扑结构
    • 1.7-预备知识之函数微分
    • 1.8-预备知识之矩阵基础
    • 1.9-预备知识之矩阵分块
    • 1.10-预备知识之方程求解
    • 1.11-预备知识之矩阵分解
    • 1.12-预备知识之矩阵计算
  • 第二章 凸集合
    • 2.1-几类线型与仿射集
    • 2.2-凸集合的定义性质
    • 2.3-凸锥的定义性质
    • 2.4-凸集凸锥的简单例子
    • 2.5-凸集凸锥的复杂例子
    • 2.6-集合运算保凸
    • 2.7-映射保凸性
    • 2.8-点到集合的距离
    • 2.9-点到凸集的距离
    • 2.10-支撑超平面
    • 2.11-凸集的分离
    • 2.12-广义不等式的定义
    • 2.13-广义不等式的性质
    • 2.14-最小极小元
    • 2.15-对偶锥的定义性质
    • 2.16-对偶刻画不等式
    • 2.17-最小元刻画
    • 2.18-极小元刻画
  • 第三章 凸函数
    • 3.1-凸函数的定义与扩展表示
    • 3.2-凸函数的一阶刻画
    • 3.3-凸函数的二阶刻画
    • 3.4-凸函数的几个重要例子
    • 3.5-凸函数诱导的几个凸集
    • 3.6-凸函数诱导的不等式
    • 3.7-几类简单的保凸运算
    • 3.8-仿射与透视保凸运算
    • 3.9-函数复合的保凸运算
    • 3.10-共轭函数的定义与计算
    • 3.11-共轭函数的性质
    • 3.12-拟凸函数定义与例子
    • 3.13-拟凸函数的代数刻画
    • 3.14-拟凸函数的微分刻画
    • 3.15-保拟凸性质的运算
    • 3.16-对数凸函数的定义例子
    • 3.17-对数凸函数的性质运算
    • 3.18-广义单调函数
    • 3.19-广义凸函数
  • 第四章 凸模型
    • 4.1-数学优化模型的概念
    • 4.2-数学优化模型的变换
    • 4.3-凸优化模型的两类表示
    • 4.4-凸模型的优美性质
    • 4.5-凸模型的最优性条件
    • 4.6-最优性条件的计算
    • 4.7-拟凸优化与二分法
    • 4.8-典型的数学优化模型
    • 4.9-几何优化问题定义例子
    • 4.10-几何优化问题的转化
    • 4.11-广义不等式约束问题
    • 4.12-广义的向量优化问题
    • 4.13-向量优化问题的标量化
    • 4.14-向量优化问题的计算
  • 第五章 对偶理论
    • 5.1-Lagrange对偶函数
    • 5.2-对偶函数的计算
    • 5.3-Lagrange对偶模型
    • 5.4-对偶模型的计算
    • 5.5-强弱对偶性与条件
    • 5.6-对偶的博弈论解释
    • 5.7-对偶的函数论解释
    • 5.8-对偶的几何学解释
    • 5.9-强对偶性成立的证明
    • 5.10-优化问题的计算评价
    • 5.11-KKT最优性条件
    • 5.12-KKT条件的性质
    • 5.13-KKT条件的计算
    • 5.14-扰动与灵敏度分析
    • 5.15-对偶模型与弱择一
    • 5.16-对偶模型与强择一
    • 5.17-广义优化问题的对偶
    • 5.18-广义对偶的数学性质
    • 5.19-二次优化与S程序
  • 第六章 逼近拟合
    • 6.1-范数逼近问题
    • 6.2-最小范数问题
    • 6.3-正则逼近问题
    • 6.4-随机鲁棒逼近
    • 6.5-最坏鲁棒逼近
    • 6.6-函数族拟合
    • 6.7-凸函数插值
  • 第七章 统计估计
    • 7.1-最大似然估计
    • 7.2-最大后验估计
    • 7.3-非参分布估计
    • 7.4-检测器概念
    • 7.5-最优检测器
    • 7.6-多准则检测器
    • 7.7-鲁棒检测器
    • 7.8-Chebyshev界
    • 7.9-Chernof界
    • 7.10-实验设计问题
    • 7.11-实验设计模型
  • 第八章 几何问题
    • 8.1-点向集合的投影
    • 8.2-点与凸集的分离
    • 8.3-凸集之间的分离
    • 8.4-欧式距离角度
    • 8.5-椭球的两种表达
    • 8.6-最小外包椭球
    • 8.7-最大内接椭球
    • 8.8-几何体的中心
    • 8.9-集合的超平面分类
    • 8.10-集合的Logistic分类
    • 8.11-集合的非线性分类
  • 第九章 算法框架
    • 9.1-下降搜索算法的步骤
    • 9.2-下降搜索算法的要素
  • 第十章 无约束的直接算法
    • 10.1-坐标轮换法
    • 10.2-步长加速法
    • 10.3-旋转方向法
    • 10.4-方向加速法
    • 10.5-单纯形方法
  • 第十一章 无约束的导数算法
    • 11.1-最速下降法
    • 11.2-共轭方向的概念
    • 11.3-二次函数共轭方向算法
    • 11.4-二次函数共轭梯度算法
    • 11.5-非线性共轭梯度算法
    • 11.6-牛顿法与阻尼牛顿法
    • 11.7-拟牛顿法的思想
    • 11.8-拟牛顿法之DFP算法
    • 11.9-拟牛顿法之BFGS算法
    • 11.10-最小二乘法的思想
    • 11.11-两类最小二乘算法
  • 第十二章 有约束的可行方向法
    • 12.1-Frank-Wolfe方法
    • 12.2-线性约束Zoutendijk方法
    • 12.3-非线性约束Zoutendijk方法
    • 12.4-Topkis-Veimott方法
    • 12.5-Rosen投影梯度法
    • 12.6-Wolfe既约梯度法
  • 第十三章 有约束的惩罚函数法
    • 13.1-外点法的思想步骤
    • 13.2-内点法的思想步骤
    • 13.3-等式约束乘子法
    • 13.4-不等式约束乘子法
    • 13.5-一般约束乘子法
  • 第十四章 有约束的线性逼近法
    • 14.1-近似优化法
    • 14.2-割平面法
  • 第十五章 二次模型的特殊算法
    • 15.1-Lagrange算法
    • 15.2-起作用集算法
    • 15.3-Lemke算法
  • 第十六章 课程展望
    • 16.1-凸优化的理论发展
    • 16.2-凸优化的应用拓展
  • 期末测试

    Taught by

    liujin, liweili, chenjie, and zhouwen

    Tags

    Reviews

    Start your review of 凸优化

    Never Stop Learning.

    Get personalized course recommendations, track subjects and courses with reminders, and more.

    Someone learning on their laptop while sitting on the floor.