Konvexe Optimierung in Signalverarbeitung und Kommunikation

Diese stellt die grundlegende Theory der Konvexen Optimierung vor und erläutert anhand von zahlreichen Beispielen ihre Anwendung in der digitalen Signalverareitung und in mobile Kommunikationssystemen. Übersicht: Einführung, konvexe Mengen und Funktionen, konvexe Optimierungsprobleme und Klassen wichtiger konvexer Probleme (LP, QP, SOCP, SDP, GP), Lagrange Dualität and KKT Bedingungen, Grundlagen der Numerischen Optimierung und der Innere-Punkt-Verfahren, Optimierungstools, innere und äußere Approximationsverfahren für nichtkonvexe Probleme, Sparse Optimization, verteilte Optimierung, gemischt ganzzahlige lineare und nichtlineare Optimierung, disktrete Optimierung, gemischt ganz-zahlige Optimierung, Branch-and-Bound Verfahren, Branch-and-Cut Verfahren, Problem angepasste iterative Optimierungsansätze, Newton-Verfahren, Gradient Projection Verfahren, Conjugate Gradient Verfahren, Block-Coordinate Descent Verfahren, Successive Convex Approximation Verfahren, BSUM, Majorization-Maximization, Expectation Maximation Algorithm, Difference-of-Convex Procedure, Alternating Direction of Multiplier Method (ADMM), Schrittweitenregelung, Anwendungen