標準形の凸最適化問題は、現代の数学的プログラミングの基盤です。これは凸な目的関数 $f_0$、凸な不等式制約 $f_i$、および アフィン アフィンな等式制約で定義されます。これらの領域の交わり $\mathcal{D} = \bigcap_{i=0}^m \text{dom } f_i$ 上で問題を定義することで、任意の局所最適解が大域最適解であることが保証されます。
1. 標準形の数学的構造
問題は次のように正式に定義されます：
$$\begin{aligned} &\text{最小化} && f_0(x) \\ &\text{制約条件} && f_i(x) \leq 0, \quad i = 1, \dots, m \\ &&& a_i^T x = b_i, \quad i = 1, \dots, p \end{aligned}$$
許容領域は $\text{dom } F = \{x \in \text{dom } f_0 \mid f_i(x) \le 0, i = 1, \dots, m, h_i(x) = 0, i = 1, \dots, p \}$ として定義されます。凸性のための重要な要件は、等式制約がアフィン（$Ax = b$）でなければならないということです。非線形等式は一般的に非凸集合を生成するためです。
2. 幾何学的エピグラフ解釈
この エピグラフ形式の問題 は、最適化を『グラフ空間』$(x, t)$ において幾何学的に解釈できるようにします。スラック変数 $t$ を導入し、$(x, t) \in \text{epi } f_0$ の条件下で $t$ を最小化します。これにより、許容領域、任意の部分レベル集合、最適解集合が本質的に凸であることが示されます。
3. 隠れ制約と明示制約の落とし穴
よくある誤解は、制約を目的関数に移行して（隠れ制約として）問題を単純化できることです。しかし、 制約を隠すことで、問題の分析や解法が簡単になったわけではありません、結果として問題は形式上非制約になっています。特に オラクルモデル（ブラックボックス）では、関数の構造を知らずに、$f(x)$ 及びその微分を評価するコストがかかります。
4. 実世界への応用
- ポートフォリオ理論： 4資産（例：資産1：12%リターン／20%標準偏差）に対するリスク $\text{var}(c^T x) = x^T \Sigma x$ の最小化。
- 工学： 構造的制約：$y_i = 6(i - 1/3) \frac{F}{E w_i h_i^3} + v_{i+1} + y_{i+1}$ など。
- 確率論： 損失リスク制約：$\Phi^{-1}(\beta) \leq 0$。
🎯 核心原則
微分可能な $f_0$ に対する最適性条件は、すべての許容 $y$ に対して $\nabla f_0(x)^T(y - x) \geq 0$ で与えられます。これは、最適点における勾配が許容領域に対するサポート超平面でなければならないことを意味します。