过去几年，凸优化算法彻底改变了离散和连续优化问题的算法设计。对于图的最大流、二部图的最大匹配和子模函数最小化等问题，已知的最快算法涉及到对凸优化算法的基本和重要使用，如梯度下降、镜像下降、内点方法和切割平面方法。令人惊讶的是，凸优化算法也被用于设计离散对象(如拟阵)的计数问题。同时，凸优化算法已经成为许多现代机器学习应用的中心。由于输入实例越来越大、越来越复杂，对凸优化算法的需求也极大地推动了凸优化技术本身的发展。

这本书的目的是使读者能够获得对凸优化算法的深入理解。重点是从第一性原理推导出凸优化的关键算法，并根据输入长度建立精确的运行时间界限。由于这些方法的广泛适用性，一本书不可能向所有人展示这些方法的应用。这本书展示了各种离散优化和计数问题的快速算法的应用。本书中所选的应用程序的目的是为了说明连续优化和离散优化之间的一个相当令人惊讶的桥梁。

目标受众包括高级本科生、研究生和理论计算机科学、离散优化和机器学习方面的研究人员。

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

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