逐次凸逼近（Successive Convex Approximation，SCA）是一種最佳化算法，其核心思想是在每個疊代中通過求解一系列凸最佳化問題來逐步逼近全局最優解。這種方法適用於非平滑最佳化問題，特別是在處理如L1正則化問題等非光滑凸最佳化問題時非常有效。
在逐次凸逼近中，每個凸最佳化問題的解都是近似解，因此每個疊代的解可能存在跳躍，這可能導致目標函式的導數不連續。逐次凸逼近與連續凸逼近不同，後者通過對目標函式進行光滑處理，使得目標函式的導數連續。逐次凸逼近的特點是，在每次疊代中，通過連續地最小化一系列逼近函式來更新變數塊，這些逼近函式可以是目標函式的局部緊上界或嚴格凸局部逼近。
總的來說，逐次凸逼近和連續凸逼近都是凸最佳化方法，都可以用於求解凸最佳化問題。它們各有優缺點，選擇合適的方法取決於實際情況。逐次凸逼近是一種非平滑最佳化方法，而連續凸逼近則是一種平滑最佳化方法。