软阈值matlab代码非凸优化工具箱 这个matlab工具箱提出了一种通用的求解器，用于在凸或非凸情况下进行近端梯度下降。 它是对[1]中提出的GIST算法的完全重新实现，其中包含新的正则化项，例如p = 1/2的lp伪范数。 在您的研究工作中使用此工具箱时，请引用以下文章： D. Tuia, R. Flamary and M. Barlaud, "Non-convex regularization in remote sensing", IEEE transactions Transactions on Geoscience and Remote Sensing, (to appear) 2016. 该代码解决了以下形式的优化问题： min_x f（x）+ lambda g（x） 我们提供用于解决以下数据拟合项f（x）问题的求解器： 最小二乘（线性回归） 具有二次铰链损耗的线性SVM 线性逻辑回归 校准的铰链损耗 已实施的正则化项g（x）包括： 套索（l1） 里奇（平方L2） 对数和罚分（LSP）（[2]，[1]中的代理） p = 1/2的lp正则化（[3]中的prox） 组套索（l

提供给学习凸优化的同学们交流分享。

斯坦福大牛的教科书convex optimization， 是全美各名校高年级本科和研究生教材。

凸优化matlab代码轨迹凸可行集算法 这是用于运动规划实时优化的凸可行集算法的实现（Changliu et al.2018）（）。 我的项目合作伙伴（）和我还扩展了该算法，以为多个智能体生成优化的轨迹而不会发生碰撞。 该项目是宾夕法尼亚大学的一门课程，因此由于学术诚信政策，该代码无法公开显示。 对我的工作细节感兴趣的招聘人员可以通过与我联系。 我们在论文上的9页报告和扩展结果在这里（）链接，在下面的段落中，我将对该算法进行概述。 算法 凸可行集算法是一种用于解决具有凸目标函数和非凸约束的运动规划问题的快速算法。 它将非凸问题转化为一系列凸问题，并迭代求解。 它是通过在非凸域内找到凸可行集并将它们作为凸优化问题求解直到收敛而做到的。 本文中的这张图很好地形象化了此过程： 执行 在我们的实现中，我们将目标函数表述为二次函数，该函数对在规划范围内遵循给定轨迹所必需的加速度进行了惩罚。 这样就形成了平滑而短的轨迹，从而完全避免了障碍。 给定场景的最终轨迹可以在此处看到，其中灰色框是障碍物，细线是先前迭代的解，而收敛的解以黑色显示： 我们将CFS实现的性能与使用Matlab的fmincon的内

普林斯顿大学电力电子系教授Mung Chiang 关键词：非凸优化、几何规划、半定规划、对偶、 Sum of squares、TCP/IP、无线网络、功率控制

Stephen Boyd和Lieven Vandenberghe写的凸优化，高清，非扫描《Convex Optimization》凸优化教材+课后习题答案+讲义

这个包含如下几个优化类别的资源： 全局优化 鲁棒优化 半定优化 数值优化

CVX工具箱的使用说明，在matlab下求解凸优化问题使用，是斯坦福大学Boyd教授开发的工具箱，很容易上手。

凸优化CVX的matlab工具包，windows7的64位系统，凸优化应用必备

理论部分由4章构成，不仅涵盖了凸优化的所有基本概念和主要结果，还详细介绍了几类基本的凸优化问题以及将特殊的优化问题表述为凸优化问题的变换方法，这些内容对灵活运用凸优化知识解决实际问题非常有用。应用部分由3章构成，分别介绍凸优化在解决逼近与拟合、统计估计和几何关系分析这三类实际问题中的应用。算法部分也由3章构成，依次介绍求解无约束凸优化模型、等式约束凸优化模型以及包含不等式约束的凸优化模型的经典数值方法，以及如何利用凸优化理论分析这些方法的收敛性质。通过阅读《凸优化》，能够对凸优化理论和方法建立完整的认识。 原作名: Convex Optimization 译者: 王书宁 / 许鋆 / 黄晓霖