凸優化算法 [Convex Optimization Algorithms] pdf epub mobi txt 電子書 下載 2025

簡體網頁||繁體網頁

☆☆☆☆☆

Dimitri，P.Bertsekas 著

齣版社： 清華大學齣版社

ISBN：9787302430704

版次：1

商品編碼：11944450

包裝：平裝

叢書名： 清華版雙語教學用書

外文名稱：Convex Optimization Algorithms

開本：16開

齣版時間：2016-05-01

用紙：膠版紙

頁數：564

字數：623000

正文語種：中文

內容簡介

　　《凸優化算法》幾乎囊括瞭所有主流的凸優化算法。包括梯度法、次梯度法、多麵體逼近法、鄰近法和內點法等。
　　這些方法通常依賴於代價函數和約束條件的凸性（而不一定依賴於其可微性），並與對偶性有著直接或問接的聯係。作者針對具體問題的特定結構，給齣瞭大量的例題，來充分展示算法的應用。各章的內容如下：第一章，凸優化模型概述；第2章，優化算法概述；第3章，次梯度算法；第4章，多麵體逼近算法；第5章，鄰近算法；第6章，其他算法問題。《凸優化算法》的一個特色是在強調問題之間的對偶性的同時，也十分重視建立在共軛概念上的算法之間的對偶性，這常常能為選擇閤適的算法實現方式提供新的靈感和計算上的便利。
　　《凸優化算法》均取材於作者過去15年在美國麻省理工學院的凸優化方麵課堂教學的內容。《凸優化算法》和《凸優化理論》這兩《凸優化算法》閤起來可以作為一個學期的凸優化課程的教材；《凸優化算法》也可以用作非綫性規劃課程的補充材料。

作者簡介

　　德梅萃·博塞剋斯（Dimitri P.Bertsekas），教授是優化理論的國際學者、美國國傢工程院院士，現任美國麻省理工學院電氣工程與計算機科學係教授，曾在斯坦福大學工程經濟係和伊利諾伊大學電氣工程係任教，在優化理論、控製工程、通信工程、計算機科學等領域有豐富的科研教學經驗，成果豐碩。博塞剋斯教授是一位多産作者，著有14本專著和教科書。

目錄

1． Convex Optimization Models： An Overview
1．1． Lagrange Duality
1．1．1． Separable Problems - Decomposition
1．1．2． Partitioning
1．2． Fenchel Duality and Conic Programming
1．2．1． Linear Conic Problems
1．2．2． Second Order Cone Programming
1．2．3． Semidefinite Programming
1．3． Additive Cost Problems
1．4． Large Number of Constraints
1．5． Exact Penalty ~nctions
1．6． Notes， Sources， and Exercises

2． Optimization Algorithms： An Overview
2．1． Iterative Descent Algorithms
2．1．1． Differentiable Cost Function Descent - Unconstrained Problems
2．1．2． Constrained Problems - Feasible Direction Methods
2．1．3． Nondifferentiable Problems - Subgradient Methods
2．1．4． Alternative Descent Methods
2．1．5． Incremental Algorithms
2．1．6． Distributed Asynchronous Iterative Algorithms
2．2． Approximation Methods
2．2．1． Polyhedral Approximation
2．2．2． Penalty， Augmented Lagrangian， and Interior Point Methods
2．2．3． Proximal Algorithm， Bundle Methods， and Tikhonov Regularization
2．2．4． Alternating Direction Method of Multipliers
2．2．5． Smoothing of Nondifferentiable Problems
2．3． Notes， Sources， and Exercises

3． Subgradient Methods
3．1． Subgradients of Convex Real-Valued Functions
3．1．1． Characterization of the Subdifferential
3．2． Convergence Analysis of Subgradient Methods
3．3． e-Subgradient Methods
3．3．1． Connection with Incremental Subgradient Methods
3．4． Notes， Sources， and Exercises

4． Polyhedral Approximation Methods
4．1． Outer Linearization Cutting Plane Methods
4．2． Inner Linearization - Simplicial Decomposition
4．3． Duality of Outer and Inner Linearization
4．4． Generalized Polyhedral Approximation
4．5． Generalized Simplicial Decomposition
4．5．1． Differentiable Cost Case
4．5．2． Nondifferentiable Cost and Side Constraints
4．6． Polyhedral Approximation for Conic Programming
4．7． Notes， Sources， and Exercises

5． Proximal Algorithms
5．1． Basic Theory of Proximal Algorithms
5．1．1． Convergence
5．1．2． Rate of Convergence
5．1．3． Gradient Interpretation
5．1．4． Fixed Point Interpretation， Overrelaxation and Generalization
5．2． Dual Proximal Algorithms
5．2．1． Augmented Lagrangian Methods
5．3． Proximal Algorithms with Linearization
5．3．1． Proximal Cutting Plane Methods
5．3．2． Bundle Methods
5．3．3． Proximal Inner Linearization Methods
5．4． Alternating Direction Methods of Multipliers
5．4．1． Applications in Machine Learning
5．4．2． ADMM Applied to Separable Problems
5．5． Notes， Sources， and Exercises

6． Additional Algorithmic Topics
6．1． Gradient Projection Methods
6．2． Gradient Projection with Extrapolation
6．2．1． An Algorithm with Optimal Iteration Complexity
6．2．2． Nondifferentiable Cost Smoothing
6．3． Proximal Gradient Methods
6．4． Incremental Subgradient Proximal Methods
6．4．1． Convergence for Methods with Cyclic Order
6．4．2． Convergence for Methods with Randomized Order
6．4．3． Application in Specially Structured Problems
6．4．4． Incremental Constraint Projection Methods
6．5． Coordinate Descent Methods
6．5．1． Variants of Coordinate Descent
6．5．2． Distributed Asynchronous Coordinate Descent
6．6． Generalized Proximal Methods
6．7． e-Descent and Extended Monotropic Programming
6．7．1． e-Subgradients
6．7．2． e-Descent Method
6．7．3． Extended Monotropic Programming Duality
6．7．4． Special Cases of Strong Duality
6．8． Interior Point Methods
6．8．1． Primal-Dual Methods for Linear Programming
6．8．2． Interior Point Methods for Conic Programming
6．8．3． Central Cutting Plane Methods
6．9． Notes， Sources， and Exercises

Appendix A" Mathematical Background
A．1． Linear Algebra
A．2． Topological Properties
A．3． Derivatives
A．4． Convergence Theorems
Appendix B： Convex Optimization Theory： A Summary
B．1． Basic Concepts of Convex Analysis
B．2． Basic Concepts of Polyhedral Convexity
B．3． Basic Concepts of Convex Optimization
B．4． Geometric Duality Framework
B．5． Duality and Optimization
References
Index

評分☆☆☆☆☆

好書！好書！

評分☆☆☆☆☆

好東西，嗯嗯嗯

評分☆☆☆☆☆

不錯的工具書，很喜歡

評分☆☆☆☆☆

好書，值得推薦

評分☆☆☆☆☆

活動給力，等瞭好久，終於減價瞭

評分☆☆☆☆☆

正版，好書

評分☆☆☆☆☆

非常不錯的學習資料，很全麵啊，有用

評分☆☆☆☆☆

好東西，嗯嗯嗯

評分☆☆☆☆☆

好東西，嗯嗯嗯