凸优化，或叫做凸最优化，凸最小化，是数学最优化的一个子领域，研究定义于凸集中的凸函数最小化的问题。凸优化在某种意义上说较一般情形的数学最优化问题要简单，譬如在凸优化中局部最优值必定是全局最优值。凸函数的凸性使得凸分析中的有力工具在最优化问题中得以应用，如次导数等。 凸优化应用于很多学科领域，诸如自动控制系统，信号处理，通讯和网络，电子电路设计，数据分析和建模，统计学（最优化设计），以及金融。在近来运算能力提高和最优化理论发展的背景下，一般的凸优化已经接近简单的线性规划一样直捷易行。许多最优化问题都可以转化成凸优化（凸最小化）问题，例如求凹函数f最大值的问题就等同于求凸函数 -f最小值的问题

Convex Optimization 英文版 Boyd著；凸优化 中文版 王会宁译；中文版讲义；英文版答案等一系列资料都有。Convex optimization problems arise frequently in many different fields. This book provides a comprehensive introduction to the subject, and shows in detail how such problems can be solved numerically with great efficiency. The book begins with the basic elements of convex sets and functions, and then describes various classes of convex optimization problems. Duality and approximation techniques are then covered, as are statistical estimation techniques. Var

matlab的egde源代码普罗斯特 普罗斯特是解决大规模问题与亲ximal ST ructure的框架。 它包含几种原始对偶算法（例如ADMM或PDHG）以及常见的近端和线性运算符的高效CUDA实现。 可以解决的一般问题是： 其中g和f *是映射到扩展实线的凸函数，其近端映射很难评估，而K是线性算子。 安装 依存关系 确保安装了最新的工具包，并且nvcc在当前路径中。 我们建议使用至少3.0的GPU。 另一个依赖项是。 计划在将来的版本中提供C / C ++和Python的接口。 快速开始 git clone https://github.com/tum-vision/prost.git cd prost mkdir build cd build cmake .. make 入门 为了熟悉该框架，我们建议您查看MATLAB示例。 为此，启动MATLAB并将文件夹/matlab/添加到您的路径。 移至文件夹/matlab/examples/并运行任何示例，例如example_rof_primaldual.m 。 要大致了解已实现的近端和线性运算符，请查看目录/matlab/+prost

机器学习凸优化，379页pdf，Convex Optimization for Machine Learning 介绍了凸优化，这是一个可以在计算机上高效解决的强大且易于处理的优化问题。本书的目标是帮助读者理解什么是凸优化，以及如何将其应用于更广泛的实际场景，特别是机器学习。

SVM支持向量机论文阅读 内容比较简单，传到这里用来保存一下文件

使用凸优化工具cvx来求解凸优化问题示例

英文版《凸优化》课程作业的答案； 自己整理，部分习题可能没有，但大部分习题都整理出来了 对应的课程为西交《系统优化与调度》作业，

凸优化 清华大学出版的 一般外文翻译书籍 目前关于凸优化讲述比较清楚的理论书籍

基于凸优化的滤波器设计 对于学习凸优化的同学有一定的参考和借鉴价值

凸优化方面的经典著作 Here　is　a　book　devoted　to　well-structured　and　thus　efficiently　solvable　convex　optimization　problems,　with　emphasis　on　conic　quadratic　and　semidefinite　programming.　The　authors　present　the　basic　theory　underlying　these　problems　as　well　as　their　numerous　applications　in　engineering,　including　synthesis　of　filters,　Lyapunov　stability　analysis,　and　structural　design.　The　authors　also　discuss　the　complexity　issues　and　provide　an　overview　of　the　basic　theory　of　state-of-the-art　polynomial　time　interior　point　methods　for　linear,　conic　quadratic,　and　semidefinite　programming.　The　book's　focus　on　well-structured　convex　problems　in　conic　form　allows　for　unified　theoretical　and　algorithmical　treatment　of　a　wide　spectrum　of　important　optimization　problems　arising　in　applications.