1. 序列最小最优化算法

SMO，sequential minimal optimization

1.1. SMO的使用场景

SMO用于解决非线性支持向量机的对偶问题：
$\begin{aligned} \min_a \quad \sum_{i=1}^N\sum_{j=1}^Na_ia_jy_iy_jK(x_i, x_j) - \sum_{i=1}^Na_i \\ s.t. \quad \sum_{i=1}^Na_iy_i=0 \quad \quad 0 \le a_i \le C, i=1,2,\cdots,N && {1} \end{aligned}$

1.2. SMO的原理

如果所有变量$a_i$都满足此问题的KKT条件。
否则，选两个变量，固定其他变量，针对这两个变量构建一个二次规划问题。
由于这两个变量是互相制约的，可以用一个变量来表示另一个变量，因此只有一个自变量。
解二次规划问题并更新变量。

1.3. SMO的过程

1. 选择两个变量link，假设两个变量为$a_1$和$a_2$
2. 把公式（1）中的变量$a_1$、$a_2$和常量分开来写link，成为公式（2）
   $\begin{aligned} L(a_1, a_2) = f(1,1)+2f(1,2)+f(2,2) \\ +2\sum_{j=3}^Nf(1,j) +2\sum_{j=3}^Nf(2,j) \\ -a_1 - a_2 + \text{常数项}&& {2} \end{aligned}$

其中： $f(i, j) = a_ia_jy_iy_jK(x_i,x_j)$

1. 根据$a_1$和$a_2$的关系，消息公式（2）中的变量$a_1$，留下变量$a_2$，得到公式（3）link
2. 公式（3）对$a_2$求导，并令导数为0，得到$a_2$的值link。
3. 第4步得到的$a_2$没有考虑到公式（1）的限制条件，需要对$a_2$做一些修剪link
4. 根据$a_2$得到$a_1$
   $a_1 = \frac {-\xi - a_2y_2}{y_1}$
5. 根据新的$a_1$和$a_2$更新blink
6. 回到第1步，直至没有a可以更新