强对偶条件成立（对偶问题和原问题最优解一致）
原问题转化为最小化含最优对偶变量的拉格朗日函数
利用梯度上升法。更新x和对偶变量第一步x最小化，第二步对偶变量更新。
利用了梯度上升法求极大值（梯度下降是求极小值）
梯度用了约束条件的残差有点费解！
对偶分解：
一个f（x）是separable，能分成n个
这n个就可以并行运算了。
为了计算总的残差residual在对偶变量更新那一步需要收集各分量的AiXi。
计算出来对偶变量以后再分发给各个分系统用于更新x （论文第十页）
强对偶条件成立（对偶问题和原问题最优解一致）
原问题转化为最小化含最优对偶变量的拉格朗日函数
利用梯度上升法。更新x和对偶变量第一步x最小化，第二步对偶变量更新。
利用了梯度上升法求极大值（梯度下降是求极小值）
梯度用了约束条件的残差有点费解！
对偶分解：
一个f（x）是separable，能分成n个
这n个就可以并行运算了。
为了计算总的残差residual在对偶变量更新那一步需要收集各分量的AiXi。
计算出来对偶变量以后再分发给各个分系统用于更新x （论文第十页）