CVX斯坦福凸优化MATLAB工具箱Windows版

资 源 简 介

该项目是由斯坦福大学Michael Grant和Stephen Boyd教授团队开发的基于MATLAB的高级凸优化建模系统。该工具箱的核心功能是实现规范凸编程（Disciplined Convex Programming, DCP），允许用户在MATLAB环境中使用接近标准数学公式的语法来声明优化变量、定义目标函数和设置约束条件。CVX能够自动分析并验证用户定义的问题是否符合凸优化规则，随后将模型转化为标准形式，并调用底层的数值求解器（默认包含SeDuMi和SDPT3，也支持Gurobi和MOSEK等商业求解器）进行求解。该工具箱支持线性规划(LP)、二次规划(QP)、二阶锥规划(SOCP)和半定规划(SDP)等多种问题类型。Windows版本经过专门适配，解决了在Windows系统下的路径配置、MEX文件编译及依赖库兼容性问题，极大简化了复杂优化算法的原型设计与验证过程，广泛应用于信号处理、控制理论、通信网络及机器学习等领域的科研与工程实践中。

详 情 说 明

CVX-斯坦福凸优化MATLAB工具箱(Windows版)

项目简介

本项目基于斯坦福大学 Michael Grant 和 Stephen Boyd 教授团队开发的 CVX 工具箱。CVX 是一个基于 MATLAB 的高级凸优化建模系统，其核心理念是实现规范凸编程（Disciplined Convex Programming, DCP）。该工具箱允许用户使用接近标准数学公式的 MATLAB 语法来声明优化变量、定义目标函数和设置约束条件。

该项目专门针对 Windows 环境进行了适配，解决了路径配置、MEX 文件编译及依赖库兼容性等常见问题。工具箱能够自动验证问题的凸性，并将模型转化为标准形式，调用 SeDuMi、SDPT3、Gurobi 或 MOSEK 等底层数值求解器进行计算。它广泛适用于信号处理、机器学习、通信网络及控制理论等领域的线性规划 (LP)、二次规划 (QP)、二阶锥规划 (SOCP) 和半定规划 (SDP) 问题求解。

核心功能与特性

• 规范凸编程 (DCP): 通过语法规则强制约束模型的凸性，确保问题可解。
• 多问题类型支持: 涵盖 LP、QP、SOCP、SDP 等多种优化形式。
• 自然语法: 极大简化了将数学模型转化为代码的过程，适合快速原型设计。
• 求解器接口: 内置支持 SeDuMi 和 SDPT3，并提供商业求解器（Gurobi, MOSEK）的接口。
• Windows 适配: 优化了在 Windows 系统下的安装与运行稳定性。

系统要求与环境配置

• 操作系统: Windows (已通过兼容性适配)
• 运行环境: MATLAB (推荐 R2014b 及以上版本)
• 依赖组件: 必须预先安装 CVX 核心包，并在 MATLAB 环境中成功运行 cvx_setup 以初始化路径和求解器设置。

代码功能详解

项目包含一个主要演示脚本，该脚本系统性地展示了如何利用 CVX 解决三种不同类型的经典凸优化问题。脚本内置了环境检测、数据生成、模型构建、求解及结果可视化全流程。

1. 压缩感知信号恢复 (Compressed Sensing)

问题类型: 线性规划 (LP) / L1 范数最小化 算法逻辑: 此模块演示了如何从少量的线性观测中恢复原始的高维稀疏信号，即 Basis Pursuit 问题。

• 数据模拟: 构建了一个长度 $n=1000$ 的原始信号，其中仅有 $k=20$ 个非零元素（稀疏度）。使用高斯随机矩阵 $Phi$ 生成 $m=200$ 个观测值，模拟欠定系统 ($m < n$)。
• CVX 建模:

* 定义优化变量 x_rec(n)。 * 目标函数: 最小化 L1 范数 norm(x_rec, 1)，这是促进解稀疏性的凸松弛方法。 * 约束条件: Phi * x_rec == y，确保恢复信号满足观测数据。

• 结果验证: 计算均方误差 (MSE) 并通过绘图对比原始信号与恢复信号的波形及稀疏分布（Stem Plot）。

2. 软间隔支持向量机 (Soft-Margin SVM)

问题类型: 二次规划 (QP) 算法逻辑: 此模块构建了一个二分类器，用于区分二维平面上的两类线性不可分数据。

• 数据模拟: 生成两簇服从高斯分布的样本点，分别标记为类别 +1 和 -1。
• CVX 建模 (原问题形式):

* 定义变量：权重向量 w(2)，偏置项 b，以及松弛变量 xi (用于处理误分类样本)。 * 目标函数: 构造标准的 SVM 目标 0.5 * sum_square(w) + C * sum(xi)，平衡最大化分类间隔与最小化分类误差。 * 约束条件: 包含分类间隔约束 Y .* (X * w + b) >= 1 - xi 及非负约束 xi >= 0。利用了 MATLAB 的向量化操作一次性声明所有样本的约束。

• 可视化: 绘制散点图、最佳决策边界、间隔边界（Margin），并自动识别和标记支持向量（Support Vectors）。

3. 半定规划演示 (SDP)

问题类型: 半定规划 (SDP) 算法逻辑: 此模块展示了处理矩阵变量和特征值约束的能力，是对鲁棒波束成形或协方差矩阵估计中常见子问题的简化演示。

• 问题定义: 寻找一个对称矩阵，使其对角线元素之和（迹）最大化，同时满足线性变换约束和正半定性。
• CVX 建模:

* 定义变量 X_sdp(n, n) 并声明为 symmetric。 * 目标函数: maximize( trace(X_sdp) )。 * 约束条件: * 线性约束 trace(A_sdp * X_sdp) == 10。 * 半定约束 X_sdp == semidefinite(n)，强制矩阵 $X$ 为正半定矩阵（所有特征值非负）。

• 验证: 输出最优值并计算结果矩阵的特征值以验证半定性。

使用方法

1. 启动 MATLAB。
2. 确保 CVX 工具箱已安装并添加到路径（在命令行输入 cvx_setup 进行检查）。
3. 直接运行主程序脚本。
4. 程序将依次执行三个优化任务，在命令行输出求解状态、最优值和误差分析，并弹出图形窗口展示信号恢复效果和 SVM 分类边界。