机械之心报道
编辑：魔王
耶鲁大学计算机科学教授Nisheeth Vishnoi撰写了专业书籍《Algorithms for Convex Optimization》，全面介绍了凸优化算法。
凸优化是数学优化的子领域之一，研究凸集中定义的凸函数最小化问题。 凸性常用于为多种凸规划提出高效算法。 因此，凸优化广泛影响着许多科学和工程学科。
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。 针对图中的最大流动问题、二分图最大匹配问题、亚模态函数最小化等问题，最快速的有名算法是梯度下降、镜像下降、内点法、截断平面法等凸优化。
令人惊讶的是，凸优化算法还用于设计离散对象(如伪数组)的计数问题。 同时，凸优化算法成为许多现代机器学习APP的核心。 更大更复杂的输入实例在促进凸优化算法需求的同时，也极大地推动了凸优化自身的发展。
最近，耶鲁大学计算机科学教授Nisheeth Vishnoi撰写了专刊《Algorithms for Convex Optimization》，目前这本书的预发布版可供个人免费阅读和下载。
书籍地址： https://转换优化. github.io/ACO-v1.pdf
本书侧重于让读者深入了解凸优化算法，从基本原理出发导出凸优化核心算法，建立准确的执行时间边界。 由于凸优化方法应用广泛，本书无法得到全部展示。 本书重点介绍了快速算法在许多离散优化和计数问题上的应用
该书的目标读者是高年级本科生、研究生、理论计算机科学、离散优化和机器学习领域的研究者。
章的目录
这本书大致分为四部。
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章介绍了梯度下降、镜像下降和乘方权重的更新方法、梯度下降的加速方法等一次性方法；
第9、10、11章给出了可适用于wndmg法和线性规划的多个内点法；
第12、13章介绍了适用于线性规划和凸优化的椭圆体法等切断平面法。
本书的目录如下。
作者的个人资料
本书作者Nisheeth Vishnoi是耶鲁大学计算机科学教授、computationand Societyinitiative共同发起人。 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，他也对从计算的角度理解和解决自然和社会的核心问题有着广泛的兴趣，主要的兴趣点是自然算法、智能的产生、算法的公平性。
他获得了2005年IEEE FOCS最佳论文奖、2006年ibmresearchpatgoldbergmemorialaward、2011年印度国立科学院青年科学家奖、2016年印度理工大学孟买分校年轻毕业生就业奖，以及2019年ACM FAT*最佳
2019年，他入选了ACM Fellow。
个人主页： https://www.cs.Yale.edu/Homes/vish noi/Html