凸优化是最小化凸面约束或等效地，最大化凹入物体函数的过程最小化凸面约束的过程。可以有效地找到满足局部最优条件的点，以获得许多凸优化问题。因为当地最佳的点也是全球最佳的，所以找到一个解决问题的局部最佳是足够的。非透露问题的凸起近似提供了最佳目标值和近似解决方案的边界。万博 尤文图斯
下面的数字显示了凸和非凸化优化问题的示例。
凸优化的应用在金融和工程中发现，包括投资组合优化，设计优化，参数估计，信号处理和最优控制。例如，选择股票组合以最大化返回的问题，以对基准组合的风险和跟踪误差上的上限受到上限，可以作为凸透化问题。
凸优化是查找要最小化函数的向量\（X \）的数学问题：
$$ min_ {x} f（x）$$
受以下：
\（g_i（x）≤0\）（非线性不等式约束）
\（轴≤B\）（线性不等式约束）
\（A_ {eq} x = b_ {eq} \）（线性平等约束）
\（lb≤x≤ub\）（绑定约束）
其中\（g_i，i = 1，...，m \）是凸函数。
