Course Structure

课程体系

从基础理论到高级应用,系统掌握凸优化技术
From basic theory to advanced applications, systematically master convex optimization

Theoretical Foundation

理论基础

深入学习凸集、凸函数、对偶理论等核心概念,建立扎实的数学理论基础,为后续学习奠定基石。

  • 凸集与凸函数理论
  • 拉格朗日对偶理论
  • KKT最优性条件
  • 凸优化问题分类
  • 几何直观理解
Algorithm Implementation

算法实现

掌握各种凸优化算法的原理和实现,包括梯度下降、牛顿法、内点法等经典算法。

  • 梯度下降算法族
  • 牛顿法与拟牛顿法
  • 内点法原理实现
  • 近端梯度方法
  • 算法收敛性分析
Practical Applications

实战应用

将凸优化理论应用到机器学习、信号处理、金融工程等实际问题中,提升解决复杂问题的能力。

  • 机器学习中的优化
  • 信号处理应用
  • 投资组合优化
  • 网络流优化
  • 工程设计优化
Core Content

核心内容

系统化的知识体系,涵盖凸优化的各个重要方面
Systematic knowledge system covering all important aspects of convex optimization

凸集与凸函数

Convex Sets and Functions

凸优化的数学基础,理解凸性的本质

凸集理论

  • 凸集的定义与性质
  • 凸包与极点理论
  • 分离超平面定理
  • 支撑超平面定理
  • 常见凸集类型
$$\mathcal{C} \text{ is convex if } \forall x,y \in \mathcal{C}, \lambda \in [0,1]: \lambda x + (1-\lambda)y \in \mathcal{C}$$

凸函数性质

  • 凸函数定义与判定
  • 一阶二阶条件
  • 詹森不等式
  • 凸函数运算规则
  • 共轭函数理论
$$f(\lambda x + (1-\lambda)y) \leq \lambda f(x) + (1-\lambda)f(y)$$

几何直观

  • 凸集的几何可视化
  • 凸函数图形特征
  • 等高线与水平集
  • 梯度几何意义
  • 对偶空间理解

数值计算

  • 凸性检验算法
  • 凸包计算方法
  • 投影算子实现
  • 数值稳定性
  • Python实现技巧

优化算法

Optimization Algorithms

高效求解凸优化问题的核心算法

梯度方法

  • 梯度下降算法
  • 加速梯度方法
  • 随机梯度下降
  • 自适应步长策略
  • 收敛速度分析
$$x^{(k+1)} = x^{(k)} - \alpha_k \nabla f(x^{(k)})$$

牛顿类方法

  • 牛顿法原理
  • 拟牛顿方法
  • BFGS算法
  • L-BFGS优化
  • 信赖域方法
$$x^{(k+1)} = x^{(k)} - [\nabla^2 f(x^{(k)})]^{-1} \nabla f(x^{(k)})$$

内点法

  • 障碍函数方法
  • 中心路径理论
  • 原始对偶内点法
  • 多项式时间复杂度
  • 实际实现技巧

近端方法

  • 近端梯度算法
  • ADMM方法
  • 分裂算法
  • 非光滑优化
  • 分布式优化

对偶理论

Duality Theory

凸优化的核心理论,连接原问题与对偶问题

拉格朗日对偶

  • 拉格朗日函数
  • 对偶函数构造
  • 弱对偶定理
  • 强对偶条件
  • 对偶间隙分析
$$L(x,\lambda,\nu) = f(x) + \sum_i \lambda_i g_i(x) + \sum_j \nu_j h_j(x)$$

KKT条件

  • KKT必要条件
  • KKT充分条件
  • 互补松弛条件
  • 约束规范条件
  • 几何解释

对偶应用

  • 支持向量机对偶
  • 网络流对偶
  • 线性规划对偶
  • 半定规划对偶
  • 鲁棒优化对偶

对偶算法

  • 对偶上升方法
  • 增广拉格朗日法
  • 交替方向乘子法
  • 分解算法
  • 并行计算实现
Applications

应用案例

凸优化在各个领域的实际应用案例
Real-world applications of convex optimization across various domains

机器学习
机器学习

支持向量机优化

使用凸优化理论求解SVM的二次规划问题,实现高效的分类和回归算法。

SVM 二次规划 核方法 SMO算法
优化效果

训练速度提升300%,内存使用减少50%,支持大规模数据集处理

信号处理
信号处理

压缩感知重构

基于L1正则化的凸优化方法,实现稀疏信号的高质量重构和去噪。

L1正则化 LASSO 稀疏编码 ISTA算法
重构质量

信噪比提升15dB,重构精度达到95%,处理速度提升10倍

金融优化
金融工程

投资组合优化

使用均值-方差模型和凸优化技术,构建风险可控的最优投资组合。

Markowitz模型 风险平价 CVaR优化 鲁棒优化
投资收益

夏普比率提升25%,最大回撤降低30%,年化收益率12.5%

图像处理
图像处理

图像去噪与修复

基于全变分正则化的凸优化方法,实现高质量的图像去噪和修复。

全变分 ROF模型 分裂Bregman ADMM
处理效果

PSNR提升8dB,边缘保持度95%,处理速度提升5倍

网络优化
网络优化

网络流量优化

使用线性规划和网络流理论,优化数据中心的流量分配和资源调度。

网络流 最短路径 最大流 负载均衡
优化结果

网络延迟降低40%,吞吐量提升60%,资源利用率提升35%

控制系统
控制系统

模型预测控制

基于凸优化的MPC算法,实现工业过程的最优控制和约束处理。

MPC 状态空间 约束优化 实时控制
控制性能

控制精度提升20%,能耗降低15%,系统稳定性提升30%

Learning Path

学习路径

循序渐进的学习安排,从理论到实践全面掌握凸优化
Progressive learning arrangement from theory to practice for complete mastery

数学基础强化

掌握线性代数、实分析、泛函分析等数学基础,为凸优化理论学习做好准备。

1

凸分析理论

深入学习凸集、凸函数、对偶理论等核心概念,建立扎实的理论基础。

2

优化算法实现

掌握各种凸优化算法的原理和实现,包括梯度方法、牛顿法、内点法等。

3

应用项目实战

将理论知识应用到实际问题中,完成机器学习、信号处理等领域的项目。

4

高级专题研究

深入研究前沿话题,如分布式优化、随机优化、非凸优化等高级内容。

5
Enrollment Information

报名信息

选择适合的课程,开启凸优化学习之旅
Choose the right course and start your convex optimization journey

凸优化基础

限时优惠
12周理论课程 | 数学严谨
立即报名
  • 96课时理论精讲
  • 4个算法实现项目
  • 数学推导详解
  • MATLAB/Python实践

凸优化进阶

限时优惠
16周深度课程 | 算法实现
立即报名
  • 128课时深度学习
  • 6个高级算法项目
  • 大规模优化实战
  • 论文阅读指导

凸优化应用

限时优惠
14周应用课程 | 项目导向
立即报名
  • 112课时应用实战
  • 5个领域应用项目
  • 工业案例分析
  • 研究方向指导

🎁 学术优惠:在校学生凭学生证享受8折优惠,提供学术版软件授权

📞 咨询热线:15665879185 | 📧 邮箱:2375975157@qq.com | 微信:wangxiaomei200407

联系我们