
- 凸优化教程
- 首页
- 简介
- 线性规划
- 范数
- 内积
- 最小值和最大值
- 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 - 凸集
设 S⊆Rn,如果集合 S 中任意两点的连线段也属于 S,则称集合 S 为凸集,即如果 x1,x2∈S,则 λx1+(1−λ)x2∈S,其中 λ∈(0,1)。
注意 -
- 两个凸集的并集可能为凸集,也可能不为凸集。
- 两个凸集的交集总是凸集。
证明
设 S1 和 S2 为两个凸集。
设 S3=S1∩S2
设 x1,x2∈S3
由于 S3=S1∩S2,因此 x1,x2∈S1 且 x1,x2∈S2
由于 Si 是凸集,∀ i∈1,2,
因此 λx1+(1−λ)x2∈Si,其中 λ∈(0,1)
因此,λx1+(1−λ)x2∈S1∩S2
⇒λx1+(1−λ)x2∈S3
因此,S3 是凸集。
形式为 k∑i=1λixi 的加权平均,其中 k∑i=1λi=1 且 λi≥0,∀i∈[1,k],称为 x1,x2,....xk 的锥组合。
形式为 k∑i=1λixi 的加权平均,其中 k∑i=1λi=1,称为 x1,x2,....xk 的仿射组合。
形式为 k∑i=1λixi 的加权平均,称为 x1,x2,....xk 的线性组合。
示例
步骤 1 - 证明集合 S={x∈Rn:Cx≤α} 是凸集。
解答
设 x1 和 x2∈S
⇒Cx1≤α 且 andCx2≤α
要证明:y=(λx1+(1−λ)x2)∈S∀λ∈(0,1)
Cy=C(λx1+(1−λ)x2)=λCx1+(1−λ)Cx2
⇒Cy≤λα+(1−λ)α
⇒Cy≤α
⇒y∈S
因此,S 是凸集。
步骤 2 - 证明集合 S={(x1,x2)∈R2:x21≤8x2} 是凸集。
解答
设 x,y∈S
设 x=(x1,x2) 且 y=(y1,y2)
⇒x21≤8x2 且 y21≤8y2
要证明 - λx+(1−λ)y∈S⇒λ(x1,x2)+(1−λ)(y1,y2)∈S⇒[λx1+(1−λ)y2]∈S)]
现在,[λx1+(1−λ)y1]2=λ2x21+(1−λ)2y21+2λ(1−λ)x1y1
但是 2x1y1≤x21+y21
因此,
[λx1+(1−λ)y1]2≤λ2x21+(1−λ)2y21+2λ(1−λ)(x21+y21)
⇒[λx1+(1−λ)y1]2≤λx21+(1−λ)y21
⇒[λx1+(1−λ)y1]2≤8λx2+8(1−λ)y2
⇒[λx1+(1−λ)y1]2≤8[λx2+(1−λ)y2]
⇒λx+(1−λ)y∈S
步骤 3 - 证明集合 S∈Rn 是凸集当且仅当对于每个整数 k,S 中任意 k 个点的任意凸组合都属于 S。
解答
设 S 为凸集。然后,要证明;
c1x1+c2x2+.....+ckxk∈S,k∑1ci=1,ci≥0,∀i∈1,2,....,k
数学归纳法证明
对于 k=1,x1∈S,c1=1⇒c1x1∈S
对于 k=2,x1,x2∈S,c1+c2=1 且由于 S 是凸集
⇒c1x1+c2x2∈S.
假设 S 中 m 个点的凸组合属于 S,即
c1x1+c2x2+...+cmxm∈S,m∑1ci=1,ci≥0,∀i∈1,2,...,m
现在,设 x1,x2....,xm,xm+1∈S
设 x=μ1x1+μ2x2+...+μmxm+μm+1xm+1
设 x=(μ1+μ2+...+μm)μ1x1+μ2x2+μmxmμ1+μ2+.........+μm+μm+1xm+1
设 y=μ1x1+μ2x2+...+μmxmμ1+μ2+.........+μm
⇒x=(μ1+μ2+...+μm)y+μm+1xm+1
现在 y∈S,因为系数之和为 1。
⇒x∈S,因为 S 是凸集且 y,xm+1∈S
因此,用数学归纳法证明。