- 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$f:S\rightarrow \mathbb{R}^n$且S是$\mathbb{R}^n$中的非空凸集,则如果对于每个$x_1,x_2 \in S$且$f\left ( x_1 \right ) \neq f\left ( x_2 \right )$,都有$f\left ( \lambda x_1+\left ( 1-\lambda \right )x_2 \right )< max \:\left \{ f\left ( x_1 \right ),f\left ( x_2 \right ) \right \}$,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$f:S\rightarrow \mathbb{R}^n$为严格拟凸函数,S是$\mathbb{R}^n$中的非空凸集。考虑问题:$min \:f\left ( x \right ), x \in S$。如果$\hat{x}$是局部最优解,则$\hat{x}$是全局最优解。
证明
假设存在$ \bar{x} \in S$使得$f\left ( \bar{x}\right )\leq f \left ( \hat{x}\right )$
由于$\bar{x},\hat{x} \in S$且S是凸集,因此,
$$ \lambda \bar{x}+\left ( 1-\lambda \right )\hat{x}\in S, \forall \lambda \in \left ( 0,1 \right )$$
由于$\hat{x}$是局部极小值,$f\left ( \hat{x} \right ) \leq f\left ( \lambda \bar{x}+\left ( 1-\lambda \right )\hat{x} \right ), \forall \lambda \in \left ( 0,\delta \right )$
由于f是严格拟凸的。
$$f\left ( \lambda \bar{x}+\left ( 1-\lambda \right )\hat{x} \right )< max \left \{ f\left ( \hat{x} \right ),f\left ( \bar{x} \right ) \right \}=f\left ( \hat{x} \right )$$
因此,这是一个矛盾。
严格拟凹函数
设$f:S\rightarrow \mathbb{R}^n$且S是$\mathbb{R}^n$中的非空凸集,则如果对于每个$x_1,x_2 \in S$且$f\left (x_1\right )\neq f\left (x_2\right )$,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
$f\left (x\right )=x^2-2$
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$x_1,x_2$,则有$f\left (\lambda x_1+\left (1- \lambda\right )x_2\right )< max \left \{ f \left (x_1\right ),f\left (x_2\right )\right \}$。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)。
$f\left (x\right )=-x^2$
它不是严格拟凸函数,因为如果我们取$x_1=1$和$x_2=-1$以及$\lambda=0.5$,则$f\left (x_1\right )=-1=f\left (x_2\right )$,但$f\left (\lambda x_1+\left (1- \lambda\right )x_2\right )=0$。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$f\left ( \lambda x_1+\left (1-\lambda\right )x_2\right )> min \left \{ f \left (x_1\right ),f\left (x_2\right )\right \}$。因为该函数在负x轴上递增,在正x轴上递减。