凸优化基本概念总结

本文总结了凸优化中的核心概念,包括凸集、仿射集合、锥、超平面和半空间,以及相关的保凸运算。介绍了多面体、半正定锥的例子,并探讨了广义不等式和对偶锥。此外,详细阐述了凸函数的性质,如扩展值延伸、一阶和二阶条件,以及Jensen不等式。

摘要生成于 C知道 ,由 DeepSeek-R1 满血版支持, 前往体验 >

总结凸优化中会出现的基本概念。

凸集

仿射集合和凸集

仿射集合

  • 仿射集合p20p20
  • 仿射组合
    • 可以将仿射集合表示为线性空间+偏移量
  • 仿射包p20p20
    • 包含CC最小仿射集合,其中 C 为任意集合
  • 仿射维数p21p21
    • 集合CC的仿射维数为仿射包的维数
    • 可根据仿射维数定义相对边界

凸集

  • 直观理解,集合中的每一点都可以被其他点沿着他们之间一条无阻碍的路径看见,那么这个集合就是凸集。
  • 可类似定义凸组合
    • 一个集合是凸集等价于集合包含所有点的凸组合
    • 点的凸组合可以看做是混合或加权平均
  • 凸包
    • 集合 C 中所有点的凸组合的集合为凸包

  • 在二维上为扇形
  • 可类似定义锥组合
  • 锥包p23p23
    • 集合CC中所有点的锥组合的集合为锥包,是包含 C 的最小凸锥

例子

  • 空集、单点集合、全空间都是仿射的。
  • 一条射线是凸的,但不是仿射的。
  • 若射线的基点是原点,则为凸锥。
  • 任意直线是仿射的,如果直线过原点,则为子空间(也是凸锥)。

超平面与半空间

  • 可看成法线方向为aa的超平面,而常数 b 则决定了这个平面从原点的偏移
    • { x|aTx=b}{ x|aTx=b}
  • 超平面由所有正交于法向量aa的向量+偏移 x 0 组成。
    • { x|aT(xx0)=0}{ x|aT(x−x0)=0}
  • 一个超平面将RnRn分为两个半空间p24p24
    • 半空间是凸的,但不是仿射的

多面体

  • 为有限个线性等式和不等式的解集

    • P={ x|aTjxbj,j=1,...,m,cTjx=dj,j=1,...,p}P={ x|ajTx≤bj,j=1,...,m,cjTx=dj,j=1,...,p}
  • 可以用更紧凑的形式表示:

    • P={ x|Axb,Cx=d}P={ x|Ax⪯b,Cx=d}
  • 单纯形式一类重要的多面体p29p29

    • k+1k+1个点x0,...,vkRnx0,...,vk∈Rn仿射独立,即v1v0,...,vkv0v1−v0,...,vk−v0线性独立,那么这些点决定了一个单纯形:
    • C=conv{ v0,...,vk}={ θ0v0+...+θkvk|θ0,1Tθ=1}C=conv{ v0,...,vk}={ θ0v0+...+θkvk|θ⪰0,1Tθ=1}
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包
实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值