
- 凸优化教程
- 首页
- 引言
- 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
严格拟凸函数
设f:S→Rn且S是Rn中的非空凸集,则如果对于每个x1,x2∈S且f(x1)≠f(x2),都有f(λx1+(1−λ)x2)<max{f(x1),f(x2)},则称f为严格拟凸函数。
备注
- 每个严格拟凸函数都是严格凸函数。
- 严格拟凸函数并不意味着拟凸性。
- 严格拟凸函数可能不是强拟凸函数。
- 伪凸函数是严格拟凸函数。
定理
设f:S→Rn为严格拟凸函数,S是Rn中的非空凸集。考虑问题:minf(x),x∈S。如果ˆx是局部最优解,则ˆx是全局最优解。
证明
假设存在ˉx∈S使得f(ˉx)≤f(ˆx)
由于ˉx,ˆx∈S且S是凸集,因此,
λˉx+(1−λ)ˆx∈S,∀λ∈(0,1)
由于ˆx是局部极小值,f(ˆx)≤f(λˉx+(1−λ)ˆx),∀λ∈(0,δ)
由于f是严格拟凸的。
f(λˉx+(1−λ)ˆx)<max{f(ˆx),f(ˉx)}=f(ˆx)
因此,这是一个矛盾。
严格拟凹函数
设f:S→Rn且S是Rn中的非空凸集,则如果对于每个x1,x2∈S且f(x1)≠f(x2),都有
$$f\left (\lambda x_1+\left (1-\lambda\right )x_2\right )> min \left \{ f \left (x_1\right ),f\left (x_2\right )\right \}$。
例子
f(x)=x2−2
这是一个严格拟凸函数,因为如果我们取定义中满足约束的域中的任意两点x1,x2,则有f(λx1+(1−λ)x2)<max{f(x1),f(x2)}。因为该函数在负x轴上递减,在正x轴上递增(因为它是一个抛物线)。
f(x)=−x2
它不是严格拟凸函数,因为如果我们取x1=1和x2=−1以及λ=0.5,则f(x1)=−1=f(x2),但f(λx1+(1−λ)x2)=0。因此它不满足定义中规定的条件。但它是一个拟凹函数,因为如果我们取定义中满足约束的域中的任意两点,则有f(λx1+(1−λ)x2)>min{f(x1),f(x2)}。因为该函数在负x轴上递增,在正x轴上递减。