凸二次规划（convex quadratic programming）

凸二次规划是一类特殊的数学优化问题，可以看作线性规划的自然延伸。简单来说，它的目标是最小化一个“二次”函数，且这个函数是“凸”的，同时要满足一些“线性”的约束条件。

它的标准数学形式是：

• 目标函数：最小化 (1/2)xᵀQx + cᵀx
• 约束条件：满足 Ax ≤ b（以及可能的等式约束 Ex = d）

下面拆解这三个关键特征，帮你更好理解：

1. “二次”：目标函数中有平方项
与目标函数是线性的（如 cᵀx）不同，这里多了 xᵀQx 这个二次型。这意味着变量之间可以相乘，关系曲线是抛物线而非直线。

• 例子：最小化 x² + y² 是一个二次目标。
• 现实意义：可以用来量化风险（如投资组合方差）、能量消耗或误差平方和。

2. “凸”：问题具有良好的几何性质，保证能找到全局最优解
这是最关键的性质。一个二次函数是凸的，当且仅当矩阵 Q 是半正定的。

• 几何上：目标函数的“碗口”朝上，只有一个最低点，没有崎岖的局部最低点。
• 计算上：这保证了找到的任何局部最优解就是全局最优解，算法可以高效、可靠地求解。如果 Q 不是半正定，问题会变成非凸的，通常极难求解。

3. “规划”：在约束下寻优
问题的变量不能随意取值，必须满足一系列线性的不等式或等式约束。

• 约束：就像资源有限或必须遵守规则，它们共同划出一个可行区域（通常是多面体）。
• 求解：就是在这个多面体区域内，找到一个使“碗状”目标函数值最小的点。这个点可能在区域内部（碗底），也可能在边界上。

---

为什么凸二次规划如此重要？

它的威力在于能完美地平衡模型的表达能力和求解的可靠性。

• 表达能力比线性规划强：现实世界中，成本或风险往往是非线性的。比如，你不想只是线性地惩罚误差，而是想按“误差的平方”（最小二乘法）来更严厉地惩罚大误差。凸二次规划正适合为这种带有“边际成本递增”或“风险厌恶”特征的问题建模。

• 求解可靠性和效率媲美线性规划：因为“凸”的性质保证了没有复杂的局部最优陷阱，所以它能被非常成熟、高效的算法（如内点法、增广拉格朗日法等）在多项式时间内精确求解，结果稳定可靠。

• 应用极其广泛，现代科技和金融的许多核心问题都在用它：

领域	核心问题	对应为凸二次规划
金融	投资组合优化	目标：最小化风险（方差，即二次项）；约束：预期收益、预算（线性约束）。Q是协方差矩阵（半正定）。
机器学习	支持向量机（SVM）	目标：最大化分类间隔，这等价于最小化权重向量的范数平方 ‖w‖²（二次项）；约束：所有样本被正确分类（线性约束）。
控制工程	模型预测控制（MPC）	在每个时间步，求解一个最小化未来轨迹跟踪误差（二次目标）和能量消耗，并满足系统动态和物理限制（线性约束）的问题。
数据拟合	带约束的最小二乘法	目标：最小化误差平方和（二次项）；约束：系数必须非负、和为1等（线性约束）。

---

与“非凸二次规划”的对比，一眼看明白凸的价值

• 凸的 (Q 半正定)：就像一个光滑的碗。无论从碗壁上的哪一点出发，往下走最终都能到达碗底的全局最优点。
• 非凸的 (Q 不定)：就像一个崎岖的马鞍面或薯片形状。不同起点可能滑向不同的局部低谷，你很难判断找到的是不是全局最低点。这类问题属于 NP-hard 问题，求解难度陡增。

简单总结，凸二次规划就是在由直线和平面围成的区域内，找到一个碗状曲面的最低点。因为它兼顾了表达力和易解性，所以成为了优化领域的基石之一。

如果想了解求解它的具体算法，比如内点法是怎么工作的，我可以继续为你讲解。