凸函数总结

最新推荐文章于 2025-03-19 11:25:34 发布

加菲猫的传说

最新推荐文章于 2025-03-19 11:25:34 发布

阅读量6.5k

点赞数

分类专栏：课程学习总结数学分析

本文链接：https://blog.youkuaiyun.com/lbc3402785/article/details/81159028

版权

课程学习总结同时被 2 个专栏收录

5 篇文章

订阅专栏

数学分析

2 篇文章

订阅专栏

定义

$f:R^n\rightarrow R$ 是凸的，如果 $dom f$ 是凸集，且对于任意 $x,y\in dom f$ 和任意 $0\leq \theta \leq 1$ ，有

$f(\theta x+(1-\theta )y)\leq \theta f(x)+(1-\theta )f(y)$

定理1 $f$ 在定义域内可微，下列条件等价

1. $f$ 是凸函数

2.对于任意 $x,y \in dom f$ ，下式成立

$f(y)-f(x)\geq \nabla f(x)^T(y-x)$

3.函数 $g(t)=f(x+tv)$ 是凸函数（其定义域为 $\left \{t | x+tv\in dom f \right \}$ ）

1 $\Leftrightarrow$ 2

证明：

$\Leftarrow$

$\theta f(x)+(1-\theta )f(y)-f(\theta x+(1-\theta )y)\newline =\theta [f(x)-f(\theta x+(1-\theta )y)]+(1-\theta )[f(y)-f(\theta x+(1-\theta )y)]\newline \geq \theta \nabla f(\theta x+(1-\theta )y)^T(1-\theta )(x-y)+(1-\theta )\nabla f(\theta x+(1-\theta )y)^T\theta (y-x)\newline =0$

$\Rightarrow$

记 $h=y-x$ ，由凸函数的定义得

$f(t(x+h)+(1-t)x)\leq tf(x+h)+(1-t)f(x)$ 即

$f(x+th)-f(x)\leq t[f(x+h)-f(x)]$

两边除以t

$\frac{f(x+th)-f(x)}{th}h\leq f(x+h)-f(x)$

令 $t\rightarrow 0$ 即得

$\nabla f(x)^T(y-x)\leq f(y)-f(x)$

2 $\Leftrightarrow$ 3

$\Leftarrow$

令 $g(t)=f(ty+(1-t)x)$ ，由于 $g(t)$ 是凸函数，所以有

$g(1)-g(0)\geq g^\prime(0)(1-0)$

$g(1)=f(y)\qquad g(0)=f(x) \qquad g^\prime(0)=\nabla f(ty+(1-t)x)^T|_{t=0}(y-x)$ 即得

$f(y)-f(x)\geq \nabla f(x)^T(y-x)$

$\Rightarrow$

假设 $x,y,x',y'\in dom f$ ，由于凸集的性质显然有

$ty+(1-t)x\in dom f,t'y+(1-t')x\in dom f,0\leq t,t'\leq 1$

由2得到

$f(ty+(1-t)x)-f(t'y+(1-t')x)\geq \nabla f(t'y+(1-t')x)^T(y-x)(t-t')$

即 $g(t)-g(t')\geq g^\prime(t')(t-t')$ ，所以g(t)是凸函数

定理2 函数 $f$ 二阶可微，即对于凸集 $dom f$ 内的任意一点，它的Hessian矩阵或者二阶导数 $\nabla^2f$ 存在，则函数 $f$ 是凸函数的充分必要条件是Hessian矩阵是半正定：即对于所有的 $x\in dom f$ ，有：

$\nabla^2f(x)\succeq 0$

证明：

$\Rightarrow$

（反证）假设Hessian矩阵非半正定，则 $\exists x_0\in dom f,h=(h_1,h_2,...,h_n),s.t$

$(h_1,h_2,...,h_n)\nabla ^2f\begin{pmatrix} h_1\\ h_2\\ ...\\ h_n \end{pmatrix}< 0$

根据Taylor公式，当 $\lambda \rightarrow 0$ 时，有

$f(x_0+\lambda h)=f(x_0)+ \nabla f(x_0)^T\lambda h+\frac{1}{2}(\lambda h)^T\nabla ^2f(x_0)(\lambda h)+o(\left \| \lambda h \right \|^2)\newline =f(x_0)+ \nabla f(x_0)^T\lambda h+\frac{1}{2} \lambda^2 h^T\nabla ^2f(x_0)h+o(\left \| \lambda h \right \|^2)\newline =f(x_0)+ \nabla f(x_0)^T\lambda h+\lambda^2 [\frac{1}{2} h^T\nabla ^2f(x_0)h+o(\left \| h \right \|^2)]\newline$