学习几小时凸优化的一些想法
凸优化解决的问题如下：可以看到，凸优化的本质是多目标优化。不仅仅要优化目标函数，约束条件同样要得到满足，得到优化。
多优化问题的基本方法，就是将优化目标进行线性叠加，综合考虑。构成拉格朗日问题，我个人称为总优化问题。
由此带来了一个整体的优化目标。这就是拉格朗日函数的一个来源。
另外一方面，生活哲学上，对于一个理想的可能，总是先对他进行猜测，但是往往会限定一个范围空间来猜测。机器学习，数字信号，大量都是这种思想，因为如果不限定范围，那真正解可能存在的空间太大了，算不过来。
这个逻辑如下：
[*]对于原问题来说，假设解一定存在。解是哪一个呢？
[*]将优化目标线性集合，用（lambda，niu）组合，综合考虑。
[*]总有一个（lambda，niu）使得总优化问题的解，和多优化问题的解，一致。
[*]求出这个（lambda，niu），得到此时的x。
针对上述3的逻辑，有很大的概率，总优化的解中包含了多优化问题。因为总的优化综合的考虑了各个优化目标。这个大概率是需要满足条件的，数学总是先猜测模型，然后学各种条件。
针对上述4的逻辑，x将是一个（lambda，niu）函数，是一个猜测空间。上述已经说明解大概率在这个空间中，所以，需要找出来是哪一个。如果仔细观察总优化问题，可以发现（lambda，niu）的变化，由正变负，由大变小，各个优化目标的偏重程度就不同，x也随之移动。这里也可以看到这个模型的表达能力很强。
再仔细观察，对于等式约束，正负的变化，对该目标的偏好发生巨大的变化。所以这个点是一个鞍点，也即不稳定点，一旦偏离，圆珠立刻掉下来，即发生很大变化。
我认为上述可以部分的解释拉格朗日函数和KKT条件的由来。
上述鞍解释也可以用极大极小来解释。其实就是鞍。
完毕。
-------------------------------------------------
另外，有的优化问题有解析解，其中以最小二乘法为主。这个千万要注意。以前我从事硬件苦力时，处理最小二乘问题，居然是用迭代求解，真是坑爹，完全把本科的线代忘了，毕竟学了六七年，从来没用过。什么导数等于零更是离大谱。
另外优化解x=f（y），我们知道，函数可以表达成积分形式或者微分形式（递归形式），所以最小二乘法有递归最小二乘，本质就是微分或变分，还有其他种类的递归形式，这种在传统数字信号处理中，很常见。什么卡尔曼滤波，贝叶斯滤波。都是基于前一刻更新的微分形式。
做硬件的时候，对算法软件很向往。但我现在感觉硬件软件都是一样的，他们的设计哲学，他们的载体都是一样的，都是人。都是可以交流的人，思想也都是一样的。甚至可以说，软件算法完全在模仿硬件，硬件也在逼近算法。
如果在学校有这种想法，我一定早早转计算机，做纯码农，在年轻的时候先捞一票。在这边，你懂的，干啥都一样，都能从设计变成调参，变成纯苦力。可惜没有如果。可惜啊。浪费了年轻的生命。一年稳稳30W，干个6年，150W也够了，早回家买房，和我爹妈继续卖豆腐去了。
七八年前很喜欢看理论书，现在看几个小时就看不下去了，多看看工具箱文档就行了。
记录给未来的自己看看吧。
页:
[1]