第一章 引论
本文是研究生课程《最优化方法》的复习笔记，主要是总结课件和相关博客的主要内容用作复习。
概述
预备知识
正定，半正定
本部分引自：https://zhuanlan.zhihu.com/p/44860862
正定和半正定这两个词的英文分别是positive definite和positive semi-definite，其中，definite是一个形容词，表示“明确的、确定的”等意思。
半正定与正定的主要关注点在于是否取得到等号，因此：
矩阵计算相关
矩阵梯度小结参考：https://zlearning.netlify.app/math/matrix/matrix-gradient.html
凸集，凸函数，凸规划
这里有很多定理，一个一个剖析
凸集
定义1.3.1 凸集，开凸集，闭凸集的定义
命题1.3.1 凸集的某些关系集合也为凸集
定理1.3.1 凸集中任意几点的组合仍然属于凸集
定义1.3.2 分离与严格分离的定义
定理1.3.2 不在凸集内的点可以被超平面严格分离
引理 1.3.1 Farkas引理
这里参考：https://zhuanlan.zhihu.com/p/29525513。对Farkas引理的几何意义理解有助于对该引理的直觉理解。
Farkas引理
设A是一个mxn阶的实矩阵，b是一个n维实向量，则下述两组方程中仅有一组有解：
其中x是n维实向量，y是m维实向量
几何解释
- 请见顶图，在空间Rn中，用矩阵A的行张成一个锥（张成锥与张成线性空间的区别就在于前者只能用非负的组合系数），即图中的锥OA1A2（阴影部分）
- 那么b的位置只可能有两种情形：（1）落在锥外；（2）落在锥内（含边界）
- 若b落在锥外：那么因为b点和A的行锥均为凸集，所以恰可利用凸集分离定理直接得到方程（1）
- 落b落在锥内：则b可以用A的行以非负系数线性表出，这恰是方程（2）
- 其实经典证明背后的思想就一句话：b点要么落在锥外，要么落在锥内
定理1.3.3 关于u0的组合表示
凸函数
定义 1.3.3：凸函数
定义 1.3.3：严格凸函数
定义 1.3.3：强凸函数（一致凸函数）
强凸函数除了定义上的区别，还有哪些特性
命题 1.3.2 凸函数的性质
两个判别准则：
定理 1.3.4 一阶判别定理
定理 1.3.5 二阶判别定理
定理 1.3.6 强凸函数的判定定理
凸规划
定义1.3.4 凸规划
定理 1.3.7 凸规划的性质
1.4 线搜索迭代算法概述 及收敛性准则
- 线搜索迭代算法的一般框架
- 终止规则
- 迭代方向
- 迭代步长
精确一维线搜索
非精确一维线搜索（近似一维搜索）
- Goldstein型线搜索
- Armijo型线搜索
- Wolfe型线搜索（Wolfe-Powell型线搜索）
非单调一维线搜索
- Grippo-Lampariello-Lucidi非单调线搜索
- Zhang-Harger非单调线搜索
- Hu-Huang-Lu非单调线搜索
- 算法收敛性
收敛：如果算法是有限终止的，或所产生的迭代点列的每个聚点是优化问题的最优解，则称该算法是收敛的。
全局收敛与局部收敛：如果对于任意的初始点x0，算法是收敛的，则称该算法是全局收敛的。如果只有初始点x0充分靠近最优解时，算法是收敛的，则称该算法是局部收敛的。
收敛速率：
参考资料
https://www.cnblogs.com/molinchn/p/13641403.html
https://zhuanlan.zhihu.com/p/44860862
https://zlearning.netlify.app/math/matrix/matrix-gradient.html
https://zhuanlan.zhihu.com/p/29525513