凸优化 - 1 - 直线和几何体的向量表达

         本总结是是个人为防止遗忘而作，不得转载和商用。

前提说明：为了方便查阅，我将整个凸优化的内容分成了很多部分，因为后面的部分用到了前面的知识，所以，如果你的目的是查看后面的内容但对前面的某个知识点不甚了解的话可以根据标题查看前面的部分。

直线和几何体的向量表达

         2x₁+ 3x₂ -13 = 0 表示一条直线是毋容置疑的，而这种方式我们也经常见到，但这种表达方式对研究凸优化是远远不够的，所以我们来看看另一种表达方式，如下：

         已知二维平面上两定点A(5,1)、B(2,3)，则经过点A、B的直线方程就是：

                  

         PS：其实这个式子把θ约掉后就是2x₁ + 3x₂ -13 = 0

         用语言表达的话就是：就像用超平面表达所有维度的“面”一样，这里用x₁表示点A的x坐标的θ倍和点B的x坐标的1-θ倍的加权加和，x₂表示点A的y坐标的θ倍和点B的y坐标的1-θ倍的加权加和。

         用数学语言表达的话就是：

                          式1

         其中，x向量 = (x₁,x₂)，向量a和向量b是两个点

         是不是有点点不明白？别急，听我解释。

         为了方便说明，先令θ∈[0,1]。

         于是当θ=0时，向量x就是点b，当θ=1时，向量x就是点a。当θ是(0, 1)中的某个确定值时，向量x就是点a和点b中间的某个点。

         进一步，θ不再是某个确定值，而是[0,1]中间这个范围，即θ∈[0, 1]，这时向量x就是条线段，线段的两个端点分别为a和b。

         OK，这时有了一个结果：θ∈[0, 1] 时式1表示一条线段。

         那如果θ∈R呢？比如θ=2，那根据上面的思考过程很容易得出，这时向量x是a左边的某个点，若θ=-2，则向量x就是b右边的某个点。

         于是第二个结论就出来了：θ∈R 时式1表示一条直线。

         OK，下面在第一个结果“θ∈[0,1] 时式1表示一条线段”的基础上把式1稍微改改：将θ换成θ1，1-θ换成θ2，于是式1就变成了：

                   x= θ₁·a + θ₂·b ，θ₁+θ₂ = 1

         这样一弄本质上什么都没变，这点没问题吧。(有问题的话你该去用凉水冲冲头了)

         那就别停，我们继续思考并将其推广到高维，于是就有了下面的结论：

                  

         好！到此直线和几何体的向量表达就没问题了。