svm算法，說到底就是二次優化問題。
帶有約束的二次優化問題。
1、線性優化問題，課件Leture5-QP
（1）使用pulp
參考 https://www.coin-or.org/PuLP/CaseStudies/a_blending_problem.html
python代碼：
# problem
def qp_test1():
prob = LpProblem("qp_test1", LpMinimize)
x1 = LpVariable("x1", 0, None, LpInteger)
x2 = LpVariable("x2", 0, None, LpInteger)
prob += 50*x1+36*x2, "Cost"
prob += x1>=0, "x1"
prob += x2>=0, "x2"
prob += 5*x1+3*x2>=45, "cond1"
prob.solve()
print("Status:", LpStatus[prob.status])
for v in prob.variables():
print(v.name, "=", v.varValue)
（2）使用cvxopt
在cvxopt中，matrix是按照列優先。
m=matrix([[2,2, 1],[3, 3,4]])
m是3行2列，每一個[]表示一個列。
http://www.seas.ucla.edu/~vandenbe/publications/mlbook.pdf
c=[40, 36]
[-5 -3] -45
[-1 0] 0
[0 -1] 0
G = [[-5, -1, 0], [-3, 0, -1]]
h = [-45, 0 ,0]
代碼：（注意數字必須加小數點，否則報錯）
c = matrix([-2.0, -5.0])
A = matrix( [[2.0, 1.0, -1.0], [-1.0, 2.0, 1.0]] )
b = matrix([4.0, 9.0, 3.0])
sol = solvers.lp(c,A,b)
print(sol['x'])
2.二次優化問題
標准公式
