凸优化是数学最优化的子领域之一，研究定义于凸集中的凸函数最小化问题。凸性常用于为多类凸规划提出高效算法。因此，凸优化广泛地影响了多个科学和工程学科。

近年来，凸优化算法革新了离散和连续优化问题的算法设计。对于图论中的最大流问题、二分图最大匹配问题和次模函数最小化等问题，最快速的知名算法都使用了凸优化，如梯度下降、镜像下降、内点法和切割平面法。

令人惊讶的是，凸优化算法还用于设计针对离散对象（如拟阵）的计数问题。同时，凸优化算法成为许多现代机器学习应用的核心。更大规模和愈加复杂的输入实例促进了对凸优化算法的需求，同时也极大地推动了凸优化本身的发展。

近日，耶鲁大学计算机科学教授 Nisheeth Vishnoi 撰写专著《Algorithms for Convex Optimization》，目前该书的预发布版本可供个人免费阅读和下载。

书籍地址：https://convex-optimization.github.io/ACO-v1.pdf

内容中包含的图片若涉及版权问题，请及时与我们联系删除