conic optimization

Angol

Főnév

conic optimization (tsz. conic optimizations)

(informatika) Conic optimization (magyarul: kúpidomú optimalizálás) az optimalizálás egy általánosított formája, amely a lineáris, kvadratikus és féldefiniált programozást egy közös keretben foglalja össze. Olyan problémákat modellez, ahol a célfüggvényt egy kúpidom által meghatározott tartományon belül kell optimalizálni.

🔍 Mi az a kúpidom?

Egy kúpidom (kúp) olyan halmaz, amely:

konvex
homogén: ha ${\textstyle x\in K}$ , akkor ${\textstyle \alpha x\in K}$ bármely ${\textstyle \alpha \geq 0}$

Példák:

Nemnegatív számok halmaza ${\textstyle \mathbb {R} _{+}^{n}}$
Másodrendű kúp (konikális kvadratikus tartomány)
Félpozitív definit mátrixok kúpdoma (SPSD)

📐 A konikus optimalizálási probléma formája

Formálisan a standard konikus programozási forma így néz ki:

${\begin{aligned}{\text{Minimizálandó: }}&c^{T}x\\{\text{Feltételek: }}&Ax=b\\&x\in K\end{aligned}}$

Ahol:

${\textstyle x\in \mathbb {R} ^{n}}$ : változók
${\textstyle c\in \mathbb {R} ^{n}}$ : célfüggvény együtthatók
${\textstyle A\in \mathbb {R} ^{m\times n},b\in \mathbb {R} ^{m}}$ : egyenlőségi korlátok
${\textstyle K}$ : konvex kúp

📦 Tipikus kúptípusok

Kúp típusa	Probléma típusa	Példa
Nemnegatív ortáns ${\textstyle \mathbb {R} _{+}^{n}}$	Lineáris programozás (LP)	Szállítási probléma
Másodrendű kúp (SOC)	Konikus kvadratikus programozás (SOCP)	Portfólió-optimalizálás
Félpozitív definit mátrixok kúpja (SPSD)	Féldefiniált programozás (SDP)	MaxCut, vezérlőtervezés
Exponentiális kúp	Entrópia-alapú problémák	Log-determináns célfüggvények
Log-konvex kúp	Geometriai programozás	Technológiai méretezések

🛠️ Példa: másodrendű kúpos program (SOCP)

${\begin{aligned}{\text{Minimizáld: }}&x_{1}+x_{2}\\{\text{Feltételek: }}&{\sqrt {x_{1}^{2}+x_{2}^{2}}}\leq 1\end{aligned}}$

Ez egy SOCP, mert a korlát másodrendű kúpot ír le.

⚙️ Használat Pythonban

A CVXPY könyvtár képes konikus problémák kezelésére:

import cvxpy as cp

x = cp.Variable(2)
objective = cp.Minimize(cp.sum(x))
constraints = [cp.norm(x, 2) <= 1]
problem = cp.Problem(objective, constraints)
problem.solve()

print("Optimális x:", x.value)

🎯 Alkalmazási területek

Terület	Példa
Pénzügy	Portfólió-optimalizálás (SOCP)
Gépi tanulás	Kernel-optimalizálás, SVM-ek (SDP)
Vezérléselmélet	Stabilitási feltételek (Lyapunov-mátrix, SDP)
Képfeldolgozás	SDR (semidefinite relaxation)
Hálózattervezés	Legrosszabb eset optimalizálás (robosztus SOCP)

📚 Előnyök és kihívások

Előny	Hátrány
Általánosítja az LP-t és QP-t	Számításigényes lehet (pl. SDP)
Konvex ⇒ garantált lokális = globális optimum	A kúpdoma nem mindig könnyen definiálható
Széleskörű alkalmazás: pénzügy, gépi tanulás, mérnöki tervezés	Megoldókra (pl. MOSEK, SCS, ECOS) van szükség

🧠 TL;DR

A conic optimization egy konvex optimalizálási keret, amely kúpidomokon történő célfüggvény-optimalizálást foglal magába. Ide tartozik a lineáris programozás, a másodrendű kúpos programozás (SOCP) és a féldefiniált programozás (SDP). Rugalmas, erőteljes eszköz a kontroll, gépi tanulás, pénzügy és sok más területen.

További információk

conic optimization - Szótár.net (en-hu)
conic optimization - Sztaki (en-hu)
conic optimization - Merriam–Webster
conic optimization - Cambridge
conic optimization - WordNet
conic optimization - Яндекс (en-ru)
conic optimization - Google (en-hu)
conic optimization - Wikidata
conic optimization - Wikipédia (angol)