前言:
眼前看官们对“凸规划的例题”可能比较看重,小伙伴们都需要知道一些“凸规划的例题”的相关内容。那么小编也在网摘上收集了一些关于“凸规划的例题””的相关文章,希望各位老铁们能喜欢,同学们一起来学习一下吧!机器之心报道
编辑:魔王
耶鲁大学计算机科学教授 Nisheeth Vishnoi 撰写专著《Algorithms for Convex Optimization》,全面介绍凸优化算法。
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:
这本书旨在让读者深入理解凸优化算法,着重于从基本原理推导凸优化核心算法,并建立精确的运行时间界限。由于凸优化方法应用广泛,无法在一本书中得到全部展示,本书重点介绍了针对多种离散优化和计数问题的快速算法应用。
这本书的目标读者包括高年级本科生、研究生,以及来自理论计算机科学、离散优化和机器学习领域的研究者。
章节目录
这本书大致分为四部分:
第 3、4、5 章简要介绍了凸性、凸优化中的计算模型和效率、对偶性;
第 6、7、8 章介绍了一阶方法,如梯度下降、镜像下降和乘性权重更新方法,以及加速梯度下降;
第 9、10、11 章展示了牛顿法和多种适用于线性规划的内点法;
第 12、13 章介绍了切割平面法,如适用于线性规划和凸优化的椭球法。
本书的章节目录如下:
作者简介
本书作者 Nisheeth Vishnoi 是耶鲁大学计算机科学教授、Computation and Society Initiative 联合发起人。他的研究重点是计算机科学的基础问题、机器学习和优化问题。同时,他对从计算角度理解和解决自然和社会核心问题也有广泛的兴趣,主要关注点是自然算法、智能的产生,以及算法公平性。
他曾获 2005 年 IEEE FOCS 最佳论文奖、2006 年 IBM Research Pat Goldberg Memorial Award、2011 年印度国家科学院青年科学家奖、2016 年印度理工学院孟买分校年轻校友成就奖以及 2019 年 ACM FAT* 最佳技术论文奖多个奖项。
2019 年,他入选 ACM Fellow。
个人主页:
标签: #凸规划的例题