برنامه‌ریزی نیمه‌معین semi-definite programming یا به‌اختصار SDP کلاسی از بهینه‌سازی محدب convex optimization است که کاربرد آن در علم تحقیق در عملیات بسیار موفق بوده است. پوسته عدد صحیح مسائل برنامه‌ریزی عدد صحیح را می‌توان با دقت بالایی با برنامه‌ریزی نیمه معین تقریب زد. در این پست قصد داریم به مسئله حداکثر برش MAXCUT در تئوری گراف پرداخته و رهاسازی نیمه‌معین آن را با رهاسازی خطی مقایسه نماییم.
در این پست قصد داریم یکی از خطاهای مهمی که کاربران به دلیل مشکلات تحدب به آن دچار می‌شوند را بررسی و راهکارهایی برای رفع آن ارائه دهیم.
CPLEX Error 5002: Q in objective is not positive semi-definite (psd)
در صورتی که منبع ایجاد این خطا ناشی از وجود عبارات درجه دو در تابع هدف باشد، جای نگرانی نیست. بایستی خاطر نشان شویم که حالت پیش‌فرض نرم‌افزار CPLEX قادر به حل مسایل کمینه‌سازی با تابع هدف درجه دو محدب و مسایل بیشینه سازی با تابع هدف درجه دو مقعر است. از طرفی محدودیت‌ها هم‌چنان بایستی مفروضات برنامه‌ریزی محدب را ارضا نمایند.
معرفی و شمای کلی
نظریه برنامه‌ریزی هندسی (Geometric Programming) یا به اختصار GP در سال‌های ۱۹۶۱ الی ۱۹۶۷ توسط فیزیکدان نظری آقای زنر (Clarence Zener) مطرح گردید. هدف از این کار ارائه راهکار مطمئن برای حل مسایل غیرخطی با ساختارهای مشخص بود. متعاقبا در سال‌های بعدی آقای دافین (Richard Duffin) نظریه دوگان را برای حل مسایل غیرخطی در قالب برنامه‌ریزی هندسی ارائه کرد. از طرفی مشخصه‌های ساختاری مسایل برنامه‌ریزی هندسی، محققان و متخصصین حوزه بهینه‌سازی را به سمت طراحی الگوریتم‌های کارا مانند روش نقطه داخلی برای حل این دسته مسایل سوق داده است. به طور کلی مسایل GP دسته‌ی متمایزی از مسایل بهینه‌سازی در مجموعه‌ی برنامه‌ریزی محدب (Convex Programming) هستند.