优化：从目标到算法

资料与官方入口

Convex Optimization；Stephen Boyd & Lieven Vandenberghe。

英文 / 免费全文 / 附加习题

• 教材 / 课件 / 附加题
• EE364a 配套课程

开始前需要什么

线性代数、多元微积分；概率基础有助于应用。

建议阅读顺序

1. 凸集与凸函数。
2. 凸优化问题与建模。
3. 对偶、KKT 条件。
4. 无约束与有约束数值算法。

独立训练建议

以下为本站建议的训练任务，不是教材原题或官方作业要求。

1. 证明一个目标是否凸，并检查定义域。
2. 完整推导简单约束问题的 KKT 条件。
3. 实现梯度法，比较步长与条件数的影响。

习题与解答情况

教材与附加习题免费。完整官方解答需符合条件的教师向作者申请。

怎样用于论文分析

分析论文目标函数、约束、最优性与算法推导。

覆盖边界

深度学习通常涉及非凸目标；不能把凸情形的保证直接搬过去。

继续深入

进入 Boyd《凸优化》分阶段阅读与训练指南。

返回与站内连接

免费阅读与训练总览

资料入口沿用 2026-09-14 的核查结果；凸优化与强化学习补充入口于 2026-10-06 再核查。源站可能调整，未确认完整解答不代表解答不存在。