
- 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
凸优化 - 范数
范数是一个函数,它为向量或变量赋予严格正的值。
范数是一个函数 f:Rn→R
范数的基本特征如下:
设 X 为一个向量,使得 X∈Rn
‖
\left \| x \right \|= 0 \Leftrightarrow x= 0\forall x \in X
\left \|\alpha x \right \|=\left | \alpha \right |\left \| x \right \|\forall \:x \in X and \:\alpha \:is \:a \:scalar
\left \| x+y \right \|\leq \left \| x \right \|+\left \| y \right \| \forall x,y \in X
\left \| x-y \right \|\geq \left \| \left \| x \right \|-\left \| y \right \| \right \|
根据定义,范数计算如下:
\left \| x \right \|_1=\displaystyle\sum\limits_{i=1}^n\left | x_i \right |
\left \| x \right \|_2=\left ( \displaystyle\sum\limits_{i=1}^n\left | x_i \right |^2 \right )^{\frac{1}{2}}
\left \| x \right \|_p=\left ( \displaystyle\sum\limits_{i=1}^n\left | x_i \right |^p \right )^{\frac{1}{p}},1 \leq p \leq \infty
范数是一个连续函数。
证明
根据定义,如果 x_n\rightarrow x in X\Rightarrow f\left ( x_n \right )\rightarrow f\left ( x \right ) 则 f\left ( x \right ) 是一个常数函数。
设 f\left ( x \right )=\left \| x \right \|
因此,\left | f\left ( x_n \right )-f\left ( x \right ) \right |=\left | \left \| x_n \right \| -\left \| x \right \|\right |\leq \left \| x_n-x \right \|
由于 x_n \rightarrow x ,因此 \left \| x_n-x \right \|\rightarrow 0
因此 \left | f\left ( x_n \right )-f\left ( x \right ) \right |\leq 0\Rightarrow \left | f\left ( x_n \right )-f\left ( x \right ) \right |=0\Rightarrow f\left ( x_n \right )\rightarrow f\left ( x \right )
因此,范数是一个连续函数。