凸優化 是什麼？

Convex Optimization — 凸優化 的完整解釋

凸優化是一種數學優化方法，旨在尋找凸函數在凸集合上的最小值。其優點是局部最小值即為全局最小值，易於求解。

容易混淆

凸優化 vs 非凸優化 vs 一般最小化

凸優化：地形單純，局部最小值就是全局最小值

非凸優化：地形複雜，可能有很多假谷底

一般最小化：只是一個總稱，不一定保證好解

最關鍵的區別：凸優化能保證找到的局部解就是全局解。

記住這句就好

地形是凸的，找到小谷底就放心。

實際案例

廣告預算分配

前：想把預算切到最好，但搜尋空間太亂

後：把問題寫成凸優化，較容易穩定找到最佳配置

模型訓練中的正則化

前：損失函數不好調，參數更新常卡住

後：加入凸形式的目標和約束，讓求解更穩定

算法與應用

凸優化常搭配梯度下降、目標函數、正則化與損失函數一起看

很多線性模型、支援向量機和資源配置問題，都會受惠於凸結構

它的價值在於可解性和可分析性，讓工程上比較知道會收斂到哪裡

情境判斷

Q1（直覺題）： 如果一個問題是凸的，是不是通常比較好解？

→ 是，通常更容易穩定找到全局最優。

Q2（判斷題）： 只要用了梯度下降，就代表你在做凸優化嗎？

→ 不一定。梯度下降可以用在凸問題，也可以用在非凸問題。

常見問題

凸優化一定有解析解嗎？

不一定，但通常比較容易數值求解。

機器學習都屬於凸優化嗎？

不是，很多深度學習問題其實是非凸的。

為什麼凸優化這麼常見？

因為它穩定、可證明、可預測，工程上很實用。