# 斯坦福 EE364A：凸优化 I（2026 夏）

- 原标题：Stanford EE364A：Convex Optimization I（2026 夏）
- 类型：课程
- 来源：Stanford 课程官网
- 学期：2026 夏
- 首次精选：2026-10-29 23:09
- 分级：必读
- 学习层级：进阶
- 主题：[ai-mathematics-proofs](<https://oplearnx.com/md/topics/ai-mathematics-proofs.md>)（第 8 位）
- 原文链接：[https://web.stanford.edu/class/ee364a](<https://web.stanford.edu/class/ee364a>)
- 本站页面：[https://oplearnx.com/resources/pk\_ca6c95515a6b](<https://oplearnx.com/resources/pk_ca6c95515a6b>)

## 摘要

这是斯坦福 EE364A（与 CME364a 等同）的课程主页，页面注明基本课程信息在此，详细更新内容在 Ed 平台。课程在 2025–2026 夏季学期由 Logan Bell 和 Nikhil Devanathan 讲授，每周二、周四 12:00–14:00 在 Skilling Auditorium 上课，首次课为 6 月 23 日，第一周答疑需邮件预约，课程通过 CGOE 平台向注册学生提供录像；因讲座有录像，允许与同期其他课程同时选修，期末考试另设时间。页面还提供完整幻灯片 PDF、CVXPY 教程及若干凸优化应用示例链接，并列出课程助教。适合想了解凸优化入门课程安排和学习资源的人阅读。

## 概览

- 难度：进阶
- 语言：英文
- 费用：付费
- 动手：每周作业 · 需用 CVXPY

## 学完你能

- 识别出应用场景中出现的凸优化问题
- 掌握凸集、凸函数与凸优化问题的基本理论
- 理解最小二乘、线性与二次规划、半定规划、极小极大等常见问题形式
- 掌握最优性条件与对偶理论及相关择一定理
- 了解内点法等求解方法，并能用 CVXPY 编写简单脚本求解
- 把凸优化方法用于信号处理、统计与机器学习、控制、电路设计与金融等应用

## 适合你吗

- 适合：在工程或相关工作中使用科学计算或优化的人
- 适合：电子工程（信号与图像处理、通信、控制、EDA/CAD）方向的学生与研究者
- 适合：航空航天、机械与土木工程（机器人、控制、结构分析、设计）方向的学生与研究者
- 适合：计算机科学（机器学习、机器人、图形学、算法与复杂性、计算几何）、运筹、科学计算、数学、统计、金融、经济学方向的学生与研究者
- 暂不适合：线性代数与概率基础薄弱、不熟悉 Python 编程的初学者
- 暂不适合：希望使用 CVX、CVXR、Convex.jl 等其他建模工具的人（课程只支持 CVXPY）
- 需要先会：需要扎实的线性代数（如 EE263 水平）与概率知识，以及基础 Python 编程能力；数值计算、优化与应用领域背景有帮助但非必需。

## 课程特点

- 内容侧重：以识别与求解应用中出现的凸优化问题为中心：凸集、凸函数、凸优化问题、凸分析基础、最优性条件与对偶理论、内点法，以及信号处理、统计与机器学习、控制与机械工程、电路设计、金融等应用。
- 练习与项目：Homework 0 为背景调查问卷；第二周起每周五提交作业（Gradescope），每题按 0/1/2 计分，允许小组讨论但须独立撰写，每人有一次迟交一天的机会；第 4 周课堂期中测验（覆盖第 1–4 章及 DCP 概念）；8 月 14 日线下期末考；作业需用 CVXPY 编写脚本，允许使用大模型但需自行检查结果。
- 投入时间：讲座每周二、四 12:00–2:00，首次课 6 月 23 日；课程通过 CGOE 提供录播，仅注册学生可看。

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