# 斯坦福 EE364B：凸优化 II（2026 春）

- 原标题：Stanford EE364B：Convex Optimization II（2026 春）
- 类型：课程
- 来源：Stanford 课程官网
- 学期：2026 春
- 首次精选：2026-10-29 23:09
- 分级：值得看
- 学习层级：深入
- 主题：[ai-mathematics-proofs](<https://oplearnx.com/md/topics/ai-mathematics-proofs.md>)（第 9 位）、[diffusion-image-generation](<https://oplearnx.com/md/topics/diffusion-image-generation.md>)（第 10 位）
- 原文链接：[https://web.stanford.edu/class/ee364b/index.html](<https://web.stanford.edu/class/ee364b/index.html>)
- 本站页面：[https://oplearnx.com/resources/pk\_280b07cd414e](<https://oplearnx.com/resources/pk_280b07cd414e>)

## 摘要

这是斯坦福 EE364B（与 CME364b 等同，最初由 Stephen Boyd 开设）2026 年春季课程主页，主讲为 Mert Pilanci。公告称首次课在周一 30 日 1:30–2:50 于 CODA B90 进行，讲座录像提供给已注册学生。课程描述说明它是 364A 的延续，内容涵盖次梯度、割平面与椭球法，基于原始-对偶分解的分布式凸优化，单调算子与近端方法、ADMM，利用问题结构的实现，困难问题的凸松弛，分支定界全局优化，鲁棒与随机优化，非凸启发式，以及神经网络、扩散模型和蒙特卡洛采样的凸表述，并应用于控制、电路设计、信号处理、机器学习和通信等领域，以最终项目收尾；先修课为 EE364a。适合已学过凸优化基础、想了解进阶凸优化内容的人阅读。

## 概览

- 难度：进阶
- 语言：英文
- 动手：有作业 · 有期末项目

## 学完你能

- 掌握次梯度、割平面与椭球法等非光滑优化的基本方法
- 通过对偶分解实现去中心化凸优化
- 理解单调算子与近端方法，并运用交替方向乘子法（ADMM）
- 在实现中利用问题结构提升求解效率
- 了解分支定界全局优化、鲁棒与随机优化以及凸松弛思路
- 把凸优化建模用于控制、信号处理、机器学习等领域并完成期末项目

## 适合你吗

- 适合：已修完 EE364a 或具备同等凸优化基础的学生
- 适合：希望深入学习分解算法、近端方法与 ADMM 的学习者
- 适合：研究控制、电路设计、信号处理、机器学习或通信中优化问题的学生
- 暂不适合：尚未学过凸优化入门内容的学习者
- 暂不适合：只想了解凸优化基本概念、不关注算法实现与分解方法的人
- 需要先会：需先修 EE364a（Convex Optimization I）或具备同等的凸优化基础。

## 课程特点

- 内容侧重：非光滑优化方法、对偶与原始分解、近端方法和 ADMM、问题结构利用、凸松弛与分支定界、鲁棒与随机优化、神经网络与扩散模型及蒙特卡洛采样的凸形式化表述。
- 练习与项目：课程设有作业与期末项目，最终以期末项目收尾；具体次数与形式材料未给出。
- 投入时间：首讲时间为 1:30pm-2:50pm；总时长与每周投入材料未给出。
- 费用说明：材料未给出学费、证书或会员相关信息；讲座录像仅对已选课学生开放。

## 内容覆盖

- 次梯度、割平面与椭球法
- 通过原始与对偶分解的去中心化凸优化
- 单调算子与近端方法
- 交替方向乘子法（ADMM）
- 实现中利用问题结构
- 困难问题的凸松弛
- 基于分支定界的全局优化
- 鲁棒优化与随机优化
- 非凸启发式方法
- 神经网络、扩散模型与蒙特卡洛采样的凸形式化表述
- 在控制、电路设计、信号处理、机器学习与通信中的应用
- 期末项目

---
来源：LearnMap · 学径（https://oplearnx.com）