- 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
- 凸问题算法
- 凸优化资源
- 凸优化 - 快速指南
- 凸优化 - 资源
- 凸优化 - 讨论
Caratheodory定理
设S是$\mathbb{R}^n$中的任意集合。如果$x \in Co\left ( S \right )$,则$x \in Co\left ( x_1,x_2,....,x_n,x_{n+1} \right )$。
证明
由于$x \in Co\left ( S\right )$,则x可以表示为S中有限个点的凸组合,即:
$x=\displaystyle\sum\limits_{j=1}^k \lambda_jx_j,\displaystyle\sum\limits_{j=1}^k \lambda_j=1, \lambda_j \geq 0$ 且 $x_j \in S, \forall j \in \left ( 1,k \right )$
如果$k \leq n+1$,则结果显然成立。
如果$k \geq n+1$,则$\left ( x_2-x_1 \right )\left ( x_3-x_1 \right ),....., \left ( x_k-x_1 \right )$线性相关。
$\Rightarrow \exists \mu _j \in \mathbb{R}, 2\leq j\leq k$(不全为零)使得 $\displaystyle\sum\limits_{j=2}^k \mu _j\left ( x_j-x_1 \right )=0$
定义$\mu_1=-\displaystyle\sum\limits_{j=2}^k \mu _j$,则$\displaystyle\sum\limits_{j=1}^k \mu_j x_j=0, \displaystyle\sum\limits_{j=1}^k \mu_j=0$
其中不所有的$\mu_j$都等于零。由于$\displaystyle\sum\limits_{j=1}^k \mu_j=0$,至少有一个$\mu_j > 0,1 \leq j \leq k$
则,$x=\displaystyle\sum\limits_{1}^k \lambda_j x_j+0$
$x=\displaystyle\sum\limits_{1}^k \lambda_j x_j- \alpha \displaystyle\sum\limits_{1}^k \mu_j x_j$
$x=\displaystyle\sum\limits_{1}^k\left ( \lambda_j- \alpha\mu_j \right )x_j $
选择$\alpha$使得$\alpha=min\left \{ \frac{\lambda_j}{\mu_j}, \mu_j\geq 0 \right \}=\frac{\lambda_j}{\mu _j},$ 对于某个$i=1,2,...,k$
如果$\mu_j\leq 0$,则$\lambda_j-\alpha \mu_j\geq 0$
如果$\mu_j> 0$,则 $\:\frac{\lambda _j}{\mu_j}\geq \frac{\lambda_i}{\mu _i}=\alpha \Rightarrow \lambda_j-\alpha \mu_j\geq 0, j=1,2,...k$
特别地,$\lambda_i-\alpha \mu_i=0$,根据$\alpha$的定义
$x=\displaystyle\sum\limits_{j=1}^k \left ( \lambda_j- \alpha\mu_j\right )x_j$,其中
$\lambda_j- \alpha\mu_j\geq0$ 且 $\displaystyle\sum\limits_{j=1}^k\left ( \lambda_j- \alpha\mu_j\right )=1$ 且 $\lambda_i- \alpha\mu_i=0$
因此,x可以表示为最多(k-1)个点的凸组合。
这个简化过程可以重复进行,直到x可以表示为(n+1)个元素的凸组合。