凸优化是最小化凸面约束的凸面物体函数的过程，或者等效地最大化凹入的物体函数，以凸起约束。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，所以找到局部最佳的解决问题就足够了。非凸起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。金宝搏官方网站
下面的数字显示了凸面和非透露优化问题的示例。
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对基准组合的风险和跟踪误差的上限以最大化的返回的问题可以被制定为凸优化问题。
凸优化是找到最小化函数的向量\（x \）的数学问题：
$$ min_ {x} f（x）$$
受：
\（g_i（x）≤0\）（非线性不等式约束）
\（斧≤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。
