【Convex Optimization Stanford】Lec3 Function
前言
一些数学基础:
凸函数的定义
注:关于矩阵范式的计算,见知乎
对凸函数在一条线上的限制
增值扩充?
一阶条件
二阶条件
一些一阶/二阶条件的例子
象集和sublevel set
联系了函数的凸性和集合的凸性。
凸函数=象集是凸集
关于函数凸性的扩展(Jesen Inequality)
貌似是对一个随机变量的扩展,我认为对于有限的状态空间,这可以视作是一个概率分布(相当于一次性选择了多个点)。
保持函数凸性的操作
非负加权和 & 仿射函数的组合
逐点最大
逐点取上界
函数的组合
放缩函数的组合
向量组合
最小化?下界(inf)?
投影
共轭函数
拟凸函数
每一个sublevel sets都是凸的。
拟凸函数的性质
Log-Concave and Log-Convax函数
性质