一句话定义：凸松弛（Convex Relaxation）是指把一个难解的非凸优化问题，通过扩大可行域、简化约束，换成一个凸问题来求解，并把它的解当作原问题的近似答案或下界。
原理：把山地先抹成一只碗
想象你要找一片山地的最低点。非凸优化（non-convex optimization）就像一片坑坑洼洼的丘陵：从某个点往下走，很容易掉进一个小水坑，以为已经到底了，其实远处还有更深的山谷，这就是局部最优（local optimum）。而凸问题（convex problem）像一只光滑的大碗：碗里只有一个最低点，从任何位置往下滑，最终都会落到碗底。
凸松弛做的事，就是先把这片山地“抹平”成一只碗。碗底不一定正好对应原来山地最深的山谷，但通常离它不远，因此我们拿碗底的位置当作答案、初始点或者下界。
具体到技术上，常见手法有三种：把整数约束 x∈{0,1} 放宽成 x∈[0,1]；把“非零元素越少越好”的 L0 约束换成 L1 范数（L1 norm）；把非凸可行域换成它的凸包（convex hull）。松弛问题解出来之后，如果解恰好落在整数点上，这叫“松弛是紧的”（tight），那就是原问题的最优解；如果落在中间，就把它作为线索，继续用取整（rounding）、分支定界（branch and bound）等手段寻找原问题的解。
| 原问题（非凸） | 凸松弛后 | |
|---|---|---|
| 可行域 | 离散取值或非凸 | 连续、凸 |
| 求解难度 | 通常 NP-hard | 多项式时间可解 |
| 解的含义 | 真正想要的答案 | 近似解、下界或起点 |
| 风险 | 陷入局部最优 | 松弛太松，与真实解差距大 |
和相邻概念的区别
凸松弛和梯度下降不同：梯度下降是直接硬解原问题，凸松弛是换一个更好解的问题来解。它也和近似算法（approximation algorithm）不同：后者往往带有理论上的近似比保证，前者更强调“先换个问题求解，再想办法把解映射回原问题”。
对实际工作的意义
如果你是算法工程师，遇到组合优化、稀疏学习、半正定松弛（SDR）这类“一听就 NP-hard”的问题时，可以先问自己一句：能不能松弛？Lasso 里用 L1 代替 L0，整数规划里用线性规划松弛给分支定界提供下界，都是同一套思路。同时要清醒：松弛解不等于原问题的解，需要取整并验证；如果积分间隙（integrality gap）很大，松弛可能松得没有参考价值。
对普通职场人，这套思路同样好用：面对一个算不准、想不清的复杂决策，先构造一个“简化版但保证可算”的模型，拿到一个大致范围，再逐步收紧。先求可行，再求最优。