convex-optimization — скилл для Claude Code
Скилл convex-optimization для работы с задачами выпуклой оптимизации. Включает проверку выпуклости, классификацию задач и применение методов на основе KKT-условий.
MIT ★ 3 951 обновлён 2026-01-26
npx skills add parcadei/Continuous-Claude-v3 --skill convex-optimization -a claude-codeЧто делает convex-optimization
Скилл предоставляет пошаговую стратегию для решения задач выпуклой оптимизации. Первый шаг — проверить выпуклость: положительна ли полуопределённость гессиана целевой функции, является ли множество ограничений пересечением выпуклых множеств. Затем идёт классификация по типам: линейное программирование решается через scipy.optimize.linprog, квадратичное — через scipy.optimize.minimize(method='SLSQP'), семидефинитные задачи требуют CVXPY с SDP-солвером.
Для каждого типа скилл выполняет приведение к стандартной форме и проверяет KKT-условия (условие стационарности, допустимость по прямой и двойственной задачам, дополняющую нежёсткость). После решения проверяется удовлетворение ограничений и гарантия глобального минимума за счёт выпуклости. Скилл использует инструменты Bash и Read, поддерживает команды вроде z3_solve.py prove для формального доказательства условий.
Какие задачи решает
- Проверить выпуклость функции и ограничений перед решением
- Выбрать подходящий алгоритм оптимизации по типу задачи
- Привести задачу к стандартной форме минимизации
- Проверить KKT-условия для оптимальности решения
- Верифицировать соответствие решения всем ограничениям
Примеры запросов агенту
- Проверь выпуклость функции и найди минимум
scipy.optimize.minimizeдля квадратичной задачи - Реши задачу линейного программирования с ограничениями и докажи KKT-условия
- Переформулируй задачу максимизации в минимизацию и примени Interior Point Method
Как установить convex-optimization
1Через Skills CLI (Vercel)
npx skills add parcadei/Continuous-Claude-v3 --skill convex-optimization -a claude-code2Вручную: положить файлы
~/.claude/skills/convex-optimization/SKILL.mdПапка скилла целиком; для одного проекта — .claude/skills/convex-optimization/
1Через Skills CLI (Vercel)
npx skills add parcadei/Continuous-Claude-v3 --skill convex-optimization -a codex2Вручную: положить файлы
.agents/skills/convex-optimization/SKILL.mdДля всех проектов — ~/.agents/skills/
1Через Skills CLI (Vercel)
npx skills add parcadei/Continuous-Claude-v3 --skill convex-optimization -a cursor2Вручную: положить файлы
.cursor/skills/convex-optimization/SKILL.mdCursor читает и .agents/skills/, и .claude/skills/
1GitHub CLI
gh skill install parcadei/Continuous-Claude-v3 .claude/skills/math/optimization/convex-optimization2Вручную: положить файлы
.github/skills/convex-optimization/SKILL.md1Через Skills CLI (Vercel)
npx skills add parcadei/Continuous-Claude-v3 --skill convex-optimization -a gemini-cli2Командой платформы
gemini skills install https://github.com/parcadei/Continuous-Claude-v3 --path .claude/skills/math/optimization/convex-optimizationВручную: положить файлы
.devin/skills/convex-optimization/SKILL.mdСтарый путь .windsurf/skills/ тоже читается
Claude.ai
Упакуйте папку в zip и загрузите в Settings → Capabilities → Skills
По шагам, с командами для каждой платформы: Как установить скилл в Claude Code: пять способов
Вопросы о convex-optimization
Как установить convex-optimization в Claude Code?
Выполни npx skills add parcadei/Continuous-Claude-v3 --skill convex-optimization -a claude-code, затем прочитай документацию в ~/.claude/skills/convex-optimization/SKILL.md.
Что делает скилл convex-optimization?
Предлагает структурированный подход к решению задач выпуклой оптимизации: проверка выпуклости, выбор метода по типу (линейное, квадратичное, семидефинитное программирование), приведение к стандартной форме и верификацию KKT-условий.
Какие инструменты нужны для работы скилла?
Скилл использует Bash и средства чтения файлов. Для конкретных задач требуется Python с библиотеками scipy и CVXPY, а также доступ к z3_solve.py для формального доказательства условий оптимальности.
Исходный текст
SKILL.md · MIT
---
name: convex-optimization
description: "Problem-solving strategies for convex optimization in optimization"
allowed-tools: [Bash, Read]
---
# Convex Optimization
## When to Use
Use this skill when working on convex-optimization problems in optimization.
## Decision Tree
1. **Verify Convexity**
- Objective function: Hessian positive semidefinite?
- Constraint set: intersection of convex sets?
- `z3_solve.py prove "hessian_psd"`
2. **Problem Classification**
| Type | Solver |
|------|--------|
| Linear Programming | `scipy.optimize.linprog` |
| Quadratic Programming | `scipy.optimize.minimize(method='SLSQP')` |
| General Convex | Interior point methods |
| Semidefinite | CVXPY with SDP solver |
3. **Standard Form**
- minimize f(x) subject to g_i(x) <= 0, h_j(x) = 0
- Convert max to min by negating
- Convert >= to <= by negating
4. **KKT Conditions (Necessary & Sufficient)**
- Stationarity: grad L = 0
- Primal feasibility: g_i(x) <= 0, h_j(x) = 0
- Dual feasibility: lambda_i >= 0
- Complementary slackness: lambda_i * g_i(x) = 0
- `z3_solve.py prove "kkt_conditions"`
5. **Solve and Verify**
- `scipy.optimize.minimize(f, x0, constraints=cons)`
- Check constraint satisfaction
- Verify solution is global minimum (convex guarantees this)
## Tool Commands
### Scipy_Linprog
```bash
uv run python -c "from scipy.optimize import linprog; res = linprog([-1, -2], A_ub=[[1, 1], [2, 1]], b_ub=[4, 5]); print('Optimal:', -res.fun, 'at x=', res.x)"
```
### Scipy_Minimize
```bash
uv run python -c "from scipy.optimize import minimize; res = minimize(lambda x: (x[0]-1)**2 + (x[1]-2)**2, [0, 0]); print('Minimum at', res.x)"
```
### Z3_Kkt
```bash
uv run python -m runtime.harness scripts/z3_solve.py prove "kkt_conditions"
```
## Key Techniques
*From indexed textbooks:*
- [Additional Exercises for Convex Optimization (with] Finally, there are lots of methods that will do better than this, usually by taking this as a starting point and ‘polishing’ the result after that. Several of these have been shown to give fairly reliable, if modest, improvements. You were not required to implement any of these methods.
- [Additional Exercises for Convex Optimization (with] K { X = x Ax yi } where e is the p-dimensional vector of ones. This is a polyhedron and thus a convex set. Rm has the form − The residual Aˆx − Describe a heuristic method for approximately solving this problem, using convex optimization.
- [Additional Exercises for Convex Optimization (with] We then pick a small positive number , and a vector c cT x minimize subject to fi(x) 0, hi(x) = 0, f0(x) ≤ p + . There are dierent strategies for choosing c in these experiments. The simplest is to choose the c’s randomly; another method is to choose c to have the form ei, for i = 1, .
- [Additional Exercises for Convex Optimization (with] We formulate the solution as the following bi-criterion optimization problem: (J ch, T ther) cmax, cmin, 0, minimize subject to c(t) c(t) a(k) ≤ ≥ t = 1, . T The key to this problem is to recognize that the objective T ther is quasiconvex. The problem as stated is convex for xed values of T ther.
- [nonlinear programming_tif] Optimization Over a Convex Set** - Focuses on optimization problems constrained within a convex set. Optimality Conditions:** Similar to unconstrained optimization, but within the context of convex sets. Feasible Directions and Conditional Gradient** - Explores methods that ensure feasibility within constraints.
## Cognitive Tools Reference
See `.claude/skills/math-mode/SKILL.md` for full tool documentation.
© parcadei · MIT · parcadei/Continuous-Claude-v3