- 凸优化教程
- 首页
- 介绍
- 线性规划
- 范数
- 内积
- 极小值和极大值
- 凸集
- 仿射集
- 凸包
- Caratheodory定理
- Weierstrass定理
- 最近点定理
- 基本分离定理
- 凸锥
- 极锥
- 锥组合
- 多面体集
- 凸集的极点
- 方向
- 凸函数与凹函数
- Jensen不等式
- 可微凸函数
- 全局最优的充分条件和必要条件
- 拟凸函数与拟凹函数
- 可微拟凸函数
- 严格拟凸函数
- 强拟凸函数
- 伪凸函数
- 凸规划问题
- Fritz-John条件
- Karush-Kuhn-Tucker最优性必要条件
- 凸问题的算法
- 凸优化资源
- 凸优化 - 快速指南
- 凸优化 - 资源
- 凸优化 - 讨论
凸优化 - 仿射集
如果集合A对于任意两点,穿过这两点的直线都位于集合A中,则称集合A为仿射集。
注意 −
S是仿射集当且仅当它包含其所有点的仿射组合。
空集和单元素集都是仿射集和凸集。
例如,线性方程的解集是一个仿射集。
证明
设S是线性方程的解集。
根据定义,$S=\left \{ x \in \mathbb{R}^n:Ax=b \right \}$
设$x_1,x_2 \in S\Rightarrow Ax_1=b$ 且 $Ax_2=b$
要证明:$A\left [ \theta x_1+\left ( 1-\theta \right )x_2 \right ]=b, \forall \theta \in\left ( 0,1 \right )$
$A\left [ \theta x_1+\left ( 1-\theta \right )x_2 \right ]=\theta Ax_1+\left ( 1-\theta \right )Ax_2=\theta b+\left ( 1-\theta \right )b=b$
因此,S是一个仿射集。
定理
如果C是一个仿射集,且$x_0 \in C$,则集合$V= C-x_0=\left \{ x-x_0:x \in C \right \}$是C的子空间。
证明
设$x_1,x_2 \in V$
要证明:$\alpha x_1+\beta x_2 \in V$ 对于某些$\alpha,\beta$
现在,根据V的定义,$x_1+x_0 \in C$ 且 $x_2+x_0 \in C$
现在,$\alpha x_1+\beta x_2+x_0=\alpha \left ( x_1+x_0 \right )+\beta \left ( x_2+x_0 \right )+\left ( 1-\alpha -\beta \right )x_0$
因为C是一个仿射集,所以$\alpha \left ( x_1+x_0 \right )+\beta \left ( x_2+x_0 \right )+\left ( 1-\alpha -\beta \right )x_0 \in C$。
因此,$\alpha x_1+\beta x_2 \in V$
证毕。