〇、说明
凸优化主要学习《凸优化》(Stephen Boyd等著，王书宁等译)[1]这本书。学习过程中，对其内容的理解时有困惑，也参考一些其他书籍资料。笔者尽量将这部分知识整理地简洁明了，成此系列笔记。
如有错误疏漏，烦请指出。如要转载，请联系笔者，hpfhepf@gmail.com。
一、简介
用目标函数的二阶泰勒展开近似该目标函数，通过求解这个二次函数的极小值来求解凸优化的搜索方向。
二、推导
2.1、牛顿法推导
图1[1]
2.2、Hessian范数下的最速下降方法
这从另一个角度揭示了为什么Newton步径是好的搜索方向了。
这里我没有去查找证明过程，我觉得只要知道就可以了，因为这有助于理解最速下降方法(《凸优化(六)——最速下降法》)。
三、优势
在实际应用中，牛顿法往往比梯度下降法有更少的迭代次数。
2.2已经从一个角度说明了Newton步径是好的搜索方向。
知乎问答《最优化问题中，牛顿法为什么比梯度下降法求解需要的迭代次数更少？》[2]这篇也讲了一些，其中，排名第一的引自Wiki的“从几何上说，牛顿法就是用一个二次曲面去拟合你当前所处位置的局部曲面，而梯度下降法是用一个平面去拟合当前的局部曲面，通常情况下，二次曲面的拟合会比平面更好，所以牛顿法选择的下降路径会更符合真实的最优下降路径”，比较有说服力和概括性。
图2[2]
图2形象地说明了牛顿法和梯度下降法的区别，红色为牛顿方法搜索路径，绿色为梯度下降法搜索路径。
四、拟牛顿法
牛顿法需要计算目标函数Hessian矩阵的逆矩阵，运算复杂度太高，计算效率很低，尤其维数很大时。拟牛顿算法的核心思想用一个近似矩阵替代逆Hessian矩阵。
五、等式约束的牛顿法
附录
A、参考
[1]、《凸优化》，Stephen Boyd等著，王书宁等译
[2]、《最优化问题中，牛顿法为什么比梯度下降法求解需要的迭代次数更少？》
B、相关目录
凸优化(七)——牛顿法
C、时间线
2016-08-08 第一次发布
