Interior point methods for optimiza

Interior point methods for optimization have been around for more than 25 years now. Their presence has shaken up the field of optimization. Interior point methods for linear and (convex) quadratic programming display several features which make them particularly attractive for very large scale optimization. Among the most impressive of them are their low- degree polynomial worst-case complexity and an unrivalled ability to deliver optimal solutions in an almost constant number of iterations which depends very little, if at all, on the problem dimension. Interior point methods are competitive when dealing with small problems of dimensions below one million constraints and variables and are beyond competition when applied to large problems of dimensions going into millions of constraints and variables.
In this survey we will discuss several issues related to interior point methods including the proof of the worst-case complexity result, the reasons for their amazingly fast practi- cal convergence and the features responsible for their ability to solve very large problems. The ever-growing sizes of optimization problems impose new requirements on optimization methods and software. In the final part of this paper we will therefore address a redesign of interior point methods to allow them to work in a matrix free regime and to make them well-suited to solving even larger problems.

Linear programs (LPs) have been at the centre of attention of the optimization field since the
1940s. For several decades the simplex algorithm [60, 23] was the only method available to solve this important class of optimization problems. Although in theory the simplex method is a non-polynomial algorithm (in the worst-case it might have to make a very large number of steps which depends exponentially on the problem dimension), in practice it has proved to be a very efficient and reliable method. By its design, the simplex method visits the vertices of the polytope defined by the constraints and, because their number may be astronomical, the method is exposed to a danger of having to visit many of them before reaching an optimal one. No polynomial simplex-type pivoting algorithm is known to date and it is hard to believe that one will ever be found although researchers have not lost hope, and continue their search for one [99].

The first polynomial algorithm for LP was developed by Khachiyan [66]. His ellipsoid algorithm constructs a series of ellipsoids inscribed into the feasible set. The centres of these ellipsoids form a sequence of points convergent to an optimal solution of the LP. The construction of ellipsoids provides a guarantee that steady progress towards optimality can be made from one iteration to another. The development of the ellipsoid method made a huge impact on the theory of linear programming but the method has never become a competitive alternative to the simplex method because the per-iteration cost of the linear algebra operations to update the ellipsoids is too high [41].

Karmarkar’s projective LP algorithm [61] could be interpreted as a refinement of the ellipsoid method. Instead of inscribing an ellipsoid into the illconditioned corner of the feasible polytope, Karmarkar’s algorithm employs projective geometry to transform this “corner” into a regular well-conditioned simplex polytope, inscribes a ball into it, and exploits the fact that optimization on a ball is a trivial operation. Additionally, Karmarkar’s method uses a notion of a potential function (a sort of merit function) to guarantee a steady reduction of a distance to optimality at each iteration. Although a single iteration of Karmarkar’s method is expensive (it requires a projection operation to be applied, and this operation changes at each iteration), optimality is reached after a relatively small number of iterations which makes the algorithm computationally attractive.

Karmarkar’s proof of the worst-case complexity result was rather complicated. Its development was accompanied by claims of unprecedented efficiency for the new method, which managed to attract huge interest from the optimization community. The efforts of numerous researchers soon led to improvements and clarifications of the theory. Gill et al. [40] established an equivalence between Karmarkar’s projective method and the projected Newton barrier method. This increased interest in the role of barrier functions in the theory of interior point methods and has drawn the community’s attention to numerous advantageous features of logarithmic barrier functions. (Interestingly, the use of a logarithmic barrier method in the context of optimization had already been proposed in 1955 by Frisch [37] and studied extensively by Fiacco and McCormick [32] in the context of nonlinear optimization.)

It is broadly accepted today that an infeasible-primal-dual algorithm is the most efficient interior point method. A number of attractive features of this method follow from the fact that a logarithmic barrier method is applied to the primal and the dual problems at the same time. This was first suggested by Megiddo [77]. Independently, Kojima, Mizuno and Yoshise [69]



developed the theoretical background of this method and gave the first complexity results. Further progress was made by Kojima, Megiddo and Mizuno [68] who provided good theoretical results for the primal-dual algorithm with extra safe-guards and those could be translated into computational practice. The interpretation of interior point methods as algorithms which follow a path of centres (central trajectory) on their way to an optimal solution was gaining wide acceptance [47]. In the late 80’s, Mehrotra and independently Lustig, Marsten, Shanno and their collaborators made impressive progress in the implementation of interior point methods and provided also a better understanding of the crucial role played by the logarithmic barrier functions in the theory [76]. By the early 90’s sufficient evidence was already gathered to justify claims of the spectacular efficiency of IPMs for very large scale linear programming [78, 73, 74]. A new class of optimization methods able to compete with the simplex method was quickly gaining wide appreciation.

It is worth mentioning at this point that the presence of interior point methods have put consid- erable pressure on developers of commercial simplex implementations and have led to impressive developments of the simplex method over the last 25 years [13, 33, 54, 75, 98]. Both methods are widely used nowadays and continue to compete with each other. Although the large size of the problem generally seems to favour interior point methods, it is not always possible to predict the winner on a particular class of problems. For example, the sparsity structure of the problem determines the cost of linear algebra operations and therefore determines the efficiency of a given algorithm leading sometimes to astonishing results by significantly favouring one method over the other. The simplex method easily takes advantage of any hyper-sparsity in a problem [54] but its sequential nature makes it difficult to parallelise [53]. On the other hand, interior point methods are able to exploit any block-matrix structure in the linear algebra operations and therefore significant speed-ups can be achieved by massive parallelisation [44].

Having applied a nonlinear programming technique (based on the use of logarithmic barrier function) to solve the linear optimization problem was the key reason of IPMs success. Soon after the major role played by the logarithmic barrier function [40] had been understood, a similar methodology was applied to solve quadratic [103] and nonlinear optimization problems [104] and indeed, as it was nicely pointed out by Forsgren et al. [34] “an especially appealing aspect of the interior-point revolution is its spirit of unification, which has brought together areas of optimization that for many years were treated as firmly disjoint”.

Nesterov and Nemirovskii [85] provided an insightful explanation why the logarithmic function is such a well-suited barrier function. Its advantage results from the self-concordance property which makes the logarithmic function particularly attractive to be applied in an optimization technique based on the Newton method. The theory of self-concodrant barriers [85] expanded further the area of IPM applications and covered a semidefinite programming and more gener- ally a conic optimization which also includes another important class of the second-order cone programming. In this survey we will focus on the linear and convex quadratic programming problems, the classes of optimization problems which are by far the most frequently used in various real-life applications. The readers interested in nonlinear, semidefinite and second-order cone programming are referred to excellent surveys of Forsgren et al. [34], Vandenberghe and Boyd [101], and Lobo et al. [70], respectively.

In this paper we will (gently) guide the reader through major issues related to the fascinating theory and implementation of IPMs. The survey is organised as follows. In Section 2 we will introduce the quadratic optimization problem, define the notation used in the paper and discuss in detail an essential difference between the simplex and interior point method, namely the way in



which these methods deal with the complementarity condition. In Section 3 we will perform the worstcase analysis of a particular interior point algorithm for convex quadratic programming. We will analyse the feasible algorithm operating in a small neighbourhood of the central path induced by the 2-no

Hasil (Bahasa Indonesia) 1:

Titik interior metode untuk optimasi telah sekitar selama lebih dari 25 tahun sekarang. Kehadiran mereka memiliki terguncang bidang optimasi. Titik interior metode untuk pemrograman linier dan (cembung) kuadrat menampilkan beberapa fitur yang membuat mereka sangat menarik untuk optimasi skala sangat besar. Di antara yang paling berkesan dari mereka adalah kerumitan terburuk polinomial derajat rendah dan kemampuan tak tertandingi untuk memberikan solusi yang optimal dalam hampir konstan jumlah iterasi yang tergantung sangat sedikit, jika sama sekali, pada masalah dimensi. Titik interior metode kompetitif ketika berhadapan dengan masalah-masalah kecil dimensi di bawah satu juta kendala dan variabel dan berada di luar kompetisi ketika diterapkan pada masalah-masalah besar dimensi pergi ke jutaan kendala dan variabel.Dalam survei ini kita akan membahas beberapa isu yang berkaitan dengan titik interior metode termasuk bukti hasil terburuk kompleksitas, alasan untuk mereka practi-cal amazingly cepat konvergensi dan fitur yang bertanggung jawab untuk kemampuan mereka untuk memecahkan masalah-masalah yang sangat besar. Ukuran yang pernah berkembang dari masalah optimasi memaksakan persyaratan baru pada metode optimasi dan perangkat lunak. Pada bagian akhir tulisan ini kami karena itu akan alamat redesign dari titik interior metode untuk memungkinkan mereka untuk bekerja di sebuah matriks rezim gratis dan membuat mereka cocok untuk memecahkan masalah-masalah yang lebih besar.Program-program linear (LPs) telah menjadi pusat perhatian dari bidang optimasi sejaktahun 1940-an. selama beberapa dekade algoritma simplex [60, 23] adalah satu-satunya metode yang tersedia untuk menyelesaikan kelas ini penting dari masalah optimasi. Meskipun secara teori metode simplex adalah algoritma bebas-polinomial (dalam kasus terburuk itu mungkin harus membuat sejumlah sangat besar dari langkah-langkah yang tergantung secara eksponensial pada masalah dimensi), dalam praktek ini telah terbukti menjadi metode yang sangat efisien dan dapat diandalkan. Dengan desain, metode simplex kunjungan simpul dari polytope yang didefinisikan oleh kendala dan, karena jumlah mereka mungkin astronomi, metode terkena bahaya harus mengunjungi banyak dari mereka sebelum mencapai satu optimal. Tidak ada polinomial simplex-jenis berputar algoritma dikenal untuk tanggal dan sulit untuk percaya bahwa salah satu pernah akan menemukan walaupun peneliti belum kehilangan harapan, dan melanjutkan pencarian mereka untuk satu [99].Algoritma polinomial pertama untuk LP dikembangkan oleh Khachiyan [66]. Algoritma nya ellipsoid konstruksi serangkaian ellipsoids tertulis ke set yang layak. Pusat ellipsoids ini membentuk urutan poin konvergen solusi optimal dari LP. Pembangunan ellipsoids menyediakan jaminan yang mantap kemajuan kontinyu dapat dibuat dari iterasi satu sama lain. Pengembangan metode ellipsoid membuat dampak besar pada teori pemrograman linier tetapi metode telah pernah menjadi alternatif yang kompetitif untuk metode simplex karena biaya per iterasi operasi aljabar linear untuk memperbarui ellipsoids terlalu tinggi [41].Karmarkar's proyektif LP algoritma [61] bisa ditafsirkan sebagai penyempurnaan metode ellipsoid. Bukan satu ellipsoid ke sudut illconditioned polytope layak, Karmarkar's algoritma mempekerjakan Geometri proyektif untuk mengubah "sudut" ini menjadi biasa baik-AC simplex polytope, rajah menggambar seekor bola ke dalamnya, dan eksploitasi fakta bahwa optimasi pada bola adalah operasi yang sepele. Selain itu, Karmarkar's metode menggunakan gagasan fungsi potensial (semacam merit fungsi) untuk menjamin penurunan stabil jarak ke kontinyu di setiap iterasi. Walaupun iterasi tunggal Karmarkar's metode mahal (memerlukan operasi proyeksi yang harus diterapkan, dan operasi ini berubah setiap iterasi), optimal tercapai setelah relatif kecil jumlah iterasi yang membuat algoritma mesin menarik.Karmarkar’s proof of the worst-case complexity result was rather complicated. Its development was accompanied by claims of unprecedented efficiency for the new method, which managed to attract huge interest from the optimization community. The efforts of numerous researchers soon led to improvements and clarifications of the theory. Gill et al. [40] established an equivalence between Karmarkar’s projective method and the projected Newton barrier method. This increased interest in the role of barrier functions in the theory of interior point methods and has drawn the community’s attention to numerous advantageous features of logarithmic barrier functions. (Interestingly, the use of a logarithmic barrier method in the context of optimization had already been proposed in 1955 by Frisch [37] and studied extensively by Fiacco and McCormick [32] in the context of nonlinear optimization.)It is broadly accepted today that an infeasible-primal-dual algorithm is the most efficient interior point method. A number of attractive features of this method follow from the fact that a logarithmic barrier method is applied to the primal and the dual problems at the same time. This was first suggested by Megiddo [77]. Independently, Kojima, Mizuno and Yoshise [69] dikembangkan dengan latar belakang teoritis metode ini dan memberi hasil kompleksitas pertama. Kemajuan telah dibuat oleh Kojima, Megido dan Mizuno [68] yang memberikan hasil teoritis yang baik untuk algoritma primal-dual dengan brankas-penjaga tambahan dan mereka dapat diterjemahkan ke dalam praktek komputasi. Interpretasi dari titik interior metode sebagai algoritma yang mengikuti jalan centres (pusat lintasan) dalam perjalanan mereka ke solusi optimal memperoleh penerimaan luas [47]. Pada akhir 80-an, Mehrotra dan independen Lustig, Marsten, Shanno dan kolaborator membuat kemajuan yang mengesankan dalam pelaksanaan metode titik interior dan disediakan juga memahami peran penting yang dimainkan oleh fungsi logaritmik penghalang dalam teori [76]. Oleh awal 90-an bukti yang cukup sudah berkumpul untuk membenarkan klaim efisiensi spektakuler IPMs sangat besar skala linear programming [78, 73, 74]. Kelas baru metode optimasi mampu bersaing dengan simplex metode cepat mendapatkan berbagai penghargaan.It is worth mentioning at this point that the presence of interior point methods have put consid- erable pressure on developers of commercial simplex implementations and have led to impressive developments of the simplex method over the last 25 years [13, 33, 54, 75, 98]. Both methods are widely used nowadays and continue to compete with each other. Although the large size of the problem generally seems to favour interior point methods, it is not always possible to predict the winner on a particular class of problems. For example, the sparsity structure of the problem determines the cost of linear algebra operations and therefore determines the efficiency of a given algorithm leading sometimes to astonishing results by significantly favouring one method over the other. The simplex method easily takes advantage of any hyper-sparsity in a problem [54] but its sequential nature makes it difficult to parallelise [53]. On the other hand, interior point methods are able to exploit any block-matrix structure in the linear algebra operations and therefore significant speed-ups can be achieved by massive parallelisation [44].Memiliki diterapkan teknik pemrograman nonlinier (berdasarkan pada penggunaan fungsi logaritmik penghalang) untuk memecahkan masalah linier optimasi adalah alasan utama keberhasilan IPMs. Segera setelah peran utama dimainkan oleh fungsi logaritmik penghalang [40] telah dipahami, metodologi yang sama diterapkan untuk memecahkan kuadrat [103] dan masalah-masalah optimasi nonlinier [104] dan memang, seperti baik ditekankan oleh Forsgren et al. [34] "aspek terutama menarik revolusi interior-titik adalah semangatnya penyatuan, yang telah membawa bersama daerah optimasi yang selama bertahun-tahun dirawat tegas utma".Nesterov and Nemirovskii [85] provided an insightful explanation why the logarithmic function is such a well-suited barrier function. Its advantage results from the self-concordance property which makes the logarithmic function particularly attractive to be applied in an optimization technique based on the Newton method. The theory of self-concodrant barriers [85] expanded further the area of IPM applications and covered a semidefinite programming and more gener- ally a conic optimization which also includes another important class of the second-order cone programming. In this survey we will focus on the linear and convex quadratic programming problems, the classes of optimization problems which are by far the most frequently used in various real-life applications. The readers interested in nonlinear, semidefinite and second-order cone programming are referred to excellent surveys of Forsgren et al. [34], Vandenberghe and Boyd [101], and Lobo et al. [70], respectively.In this paper we will (gently) guide the reader through major issues related to the fascinating theory and implementation of IPMs. The survey is organised as follows. In Section 2 we will introduce the quadratic optimization problem, define the notation used in the paper and discuss in detail an essential difference between the simplex and interior point method, namely the way in which these methods deal with the complementarity condition. In Section 3 we will perform the worstcase analysis of a particular interior point algorithm for convex quadratic programming. We will analyse the feasible algorithm operating in a small neighbourhood of the central path induced by the 2-no

Hasil (Bahasa Indonesia) 2:

Metode titik interior untuk optimasi telah ada selama lebih dari 25 tahun sekarang. Kehadiran mereka telah terguncang bidang optimasi. Metode titik interior untuk linear dan (cembung) kuadrat tampilan pemrograman beberapa fitur yang membuat mereka sangat menarik untuk optimasi skala yang sangat besar. Di antara yang paling mengesankan dari mereka adalah rendah derajat polinomial kompleksitas terburuk mereka dan kemampuan yang tak tertandingi untuk memberikan solusi yang optimal dalam jumlah hampir konstan iterasi yang tergantung sangat sedikit, jika sama sekali, pada dimensi masalah. Metode titik interior kompetitif ketika berhadapan dengan masalah-masalah kecil dimensi di bawah satu juta kendala dan variabel dan berada di luar kompetisi bila diterapkan pada masalah besar dimensi masuk ke jutaan kendala dan variabel.
Dalam survei ini kita akan membahas beberapa hal yang berkaitan dengan metode titik interior termasuk bukti hasil kompleksitas kasus terburuk, alasan mereka sangat cepat yang praktis konvergensi dan fitur yang bertanggung jawab untuk kemampuan mereka untuk memecahkan masalah yang sangat besar. Ukuran yang terus tumbuh dari masalah optimasi memberlakukan persyaratan baru pada metode optimasi dan software. Di bagian akhir tulisan ini kita akan membahas desain ulang karena itu metode titik interior untuk memungkinkan mereka untuk bekerja di sebuah rezim bebas matriks dan membuat mereka cocok untuk memecahkan masalah yang lebih besar. Program Linear (piringan hitam) telah di pusat perhatian dari bidang optimasi sejak tahun 1940-an. Selama beberapa dekade algoritma simpleks [60, 23] adalah satu-satunya metode yang tersedia untuk memecahkan kelas penting ini masalah optimasi. Meskipun dalam teori metode simpleks adalah algoritma non-polinomial (dalam kasus terburuk mungkin harus membuat jumlah yang sangat besar langkah-langkah yang tergantung secara eksponensial pada dimensi masalah), dalam prakteknya telah terbukti menjadi sangat efisien dan handal Metode. Dengan desain, metode simpleks mengunjungi simpul dari polytope didefinisikan oleh kendala dan, karena jumlah mereka mungkin astronomi, metode ini terkena bahaya harus mengunjungi banyak dari mereka sebelum mencapai satu optimal. Tidak ada polinomial simpleks tipe algoritma berputar diketahui tanggal dan sulit untuk percaya bahwa seseorang akan pernah ditemukan meskipun para peneliti tidak kehilangan harapan, dan melanjutkan pencarian mereka untuk satu [99]. Algoritma polinomial pertama LP dikembangkan oleh Khachiyan [66]. Algoritma ellipsoid nya membangun serangkaian ellipsoids tertulis ke set layak. Pusat-pusat ellipsoids ini membentuk urutan poin konvergen ke solusi optimal dari LP. Pembangunan ellipsoids memberikan jaminan bahwa kemajuan yang mantap menuju optimalitas dapat dibuat dari satu iterasi ke yang lain. Pengembangan metode ellipsoid membuat dampak besar pada teori pemrograman linear tetapi metode yang tidak pernah menjadi alternatif yang kompetitif untuk metode simpleks karena biaya per-iterasi operasi aljabar linier untuk memperbarui ellipsoids terlalu tinggi [41] . Karmarkar Algoritma LP proyektif [61] bisa diartikan sebagai penyempurnaan dari metode ellipsoid. Alih-alih inscribing ellipsoid ke sudut illconditioned dari polytope layak, algoritma Karmarkar mempekerjakan geometri proyektif untuk mengubah ini "sudut" ke dalam sumur-AC polytope simpleks biasa, inscribes bola ke dalamnya, dan mengeksploitasi fakta bahwa optimasi pada bola adalah operasi sepele. Selain itu, metode Karmarkar menggunakan suatu gagasan fungsi potensial (semacam fungsi jasa) untuk menjamin penurunan stabil jarak untuk optimalitas pada setiap iterasi. Meskipun iterasi tunggal metode Karmarkar adalah mahal (memerlukan operasi proyeksi yang akan diterapkan, dan operasi ini berubah pada setiap iterasi), optimalitas tercapai setelah jumlah yang relatif kecil dari iterasi yang membuat algoritma komputasi yang menarik. bukti Karmarkar yang terburuk Hasil kompleksitas -case agak rumit. Pengembangannya didampingi oleh klaim efisiensi belum pernah terjadi sebelumnya untuk metode baru, yang berhasil menarik minat besar dari komunitas optimasi. Upaya sejumlah peneliti segera membawa perbaikan dan klarifikasi dari teori. Gill et al. [40] mendirikan kesetaraan antara metode proyektif Karmarkar dan metode penghalang Newton yang diproyeksikan. Hal ini meningkatkan minat dalam peran fungsi penghalang dalam teori metode titik interior dan telah menarik perhatian masyarakat terhadap berbagai fitur menguntungkan fungsi penghalang logaritmik. (Menariknya, penggunaan metode penghalang logaritmik dalam konteks optimalisasi sudah diusulkan pada tahun 1955 oleh Frisch [37] dan dipelajari secara ekstensif oleh Fiacco dan McCormick [32] dalam konteks optimasi nonlinier.) Hal ini diterima secara luas hari ini bahwa algoritma tidak layak-primal-ganda adalah metode titik interior yang paling efisien. Sejumlah fitur menarik dari metode ini mengikuti dari fakta bahwa metode penghalang logaritmik diterapkan pada primal dan masalah ganda pada waktu yang sama. Ini pertama kali diusulkan oleh Megido [77]. Secara independen, Kojima, Mizuno dan Yoshise [69] mengembangkan latar belakang teoritis metode ini dan memberikan hasil kompleksitas pertama. Kemajuan lebih lanjut dibuat oleh Kojima, Megido dan Mizuno [68] yang memberikan hasil yang baik teoritis untuk algoritma primal-ganda dengan ekstra aman-penjaga dan mereka dapat diterjemahkan ke dalam praktek komputasi. Interpretasi metode titik interior sebagai algoritma yang mengikuti jalan pusat (central lintasan) dalam perjalanan mereka ke solusi optimal adalah mendapatkan penerimaan luas [47]. Pada akhir 80-an, Mehrotra dan mandiri Lustig, Marsten, Shanno dan kolaborator mereka membuat kemajuan yang mengesankan dalam pelaksanaan metode titik interior dan menyediakan juga pemahaman yang lebih baik tentang peran penting yang dimainkan oleh fungsi penghalang logaritmik dalam teori [76]. Dengan bukti yang cukup awal 90-an sudah berkumpul untuk membenarkan klaim efisiensi spektakuler IPMs untuk skala yang sangat besar pemrograman linear [78, 73, 74]. Sebuah kelas baru metode optimasi mampu bersaing dengan metode simpleks dengan cepat mendapatkan apresiasi yang luas. Perlu disebutkan pada saat ini bahwa kehadiran metode titik interior telah memberikan tekanan peran yang kuat-pertimbangan pada pengembang implementasi simpleks komersial dan telah menyebabkan mengesankan perkembangan metode simpleks selama 25 tahun terakhir [13, 33, 54, 75, 98]. Kedua metode yang banyak digunakan saat ini dan terus bersaing satu sama lain. Meskipun ukuran besar masalah umum tampaknya mendukung metode titik interior, itu tidak selalu mungkin untuk memprediksi pemenang pada kelas tertentu dari masalah. Sebagai contoh, struktur sparsity masalah menentukan biaya operasi aljabar linier dan karena itu menentukan efisiensi algoritma yang diberikan kadang-kadang menyebabkan hasil yang menakjubkan secara signifikan menguntungkan salah satu metode di atas yang lain. Metode simpleks dengan mudah mengambil keuntungan dari setiap hiper-sparsity dalam masalah [54] tetapi sifat berurutan yang membuatnya sulit untuk parallelise [53]. Di sisi lain, metode titik interior dapat memanfaatkan struktur blok-matriks dalam operasi aljabar linier dan karenanya signifikan kecepatan-up dapat dicapai dengan parallelisation besar [44]. Setelah menerapkan teknik pemrograman nonlinier (berdasarkan penggunaan fungsi penghalang logaritmik) untuk memecahkan masalah optimasi linier adalah alasan kunci keberhasilan IPMs. Segera setelah peran utama dimainkan oleh fungsi penghalang logaritmik [40] telah dipahami, metodologi yang sama diterapkan untuk memecahkan masalah kuadrat [103] dan optimasi nonlinier [104] dan memang, seperti yang baik ditunjukkan oleh Forsgren et al. [34] "aspek terutama menarik dari revolusi interior-point adalah semangat unifikasi, yang telah membawa bersama-sama bidang optimasi yang selama bertahun-tahun diperlakukan sebagai tegas menguraikan". Nesterov dan Nemirovskii [85] memberikan penjelasan mendalam mengapa Fungsi logaritmik adalah fungsi penghalang cocok seperti itu. Hasil keuntungan dari properti diri konkordansi yang membuat fungsi logaritma sangat menarik untuk diterapkan dalam teknik optimasi berdasarkan metode Newton. Teori hambatan diri concodrant [85] diperluas lebih lanjut bidang aplikasi PHT dan mencakup program semidefinite dan sekutu lebih gener- optimasi kerucut yang juga termasuk kelas lain yang penting dari program kerucut orde kedua. Dalam survei ini kita akan fokus pada linear dan cembung masalah pemrograman kuadratik, kelas masalah optimisasi yang yang paling sering digunakan dalam berbagai aplikasi kehidupan nyata. Para pembaca yang tertarik dalam nonlinear, semidefinite dan orde kedua pemrograman kerucut disebut survei yang sangat baik dari Forsgren et al. [34], Vandenberghe dan Boyd [101], dan Lobo et al. [70], masing-masing. Dalam makalah ini kita akan (lembut) memandu pembaca melalui isu-isu utama yang berhubungan dengan teori yang menarik dan pelaksanaan IPMs. Survei ini disusun sebagai berikut. Dalam Bagian 2 kita akan memperkenalkan masalah optimasi kuadrat, menentukan notasi yang digunakan dalam kertas dan membahas secara rinci perbedaan penting antara simpleks dan metode titik interior, yaitu cara yang metode ini berhubungan dengan kondisi saling melengkapi. Dalam Bagian 3 kita akan melakukan analisis worstcase dari algoritma titik interior khususnya untuk pemrograman kuadratik cembung. Kami akan menganalisis algoritma layak beroperasi di lingkungan kecil jalan tengah yang disebabkan oleh 2-ada