凸优化学习笔记02(仿射维数、相对内部与相对边界，子空间)-CSDN博客

本文链接：https://blog.csdn.net/Bryant_cqc/article/details/120461706

本文介绍了仿射维数的概念及其与子空间的关系，并详细解释了相对内部、相对边界等概念，帮助读者理解线性代数中的这些关键概念。

摘要生成于 C知道，由 DeepSeek-R1 满血版支持，前往体验 >

【ps: 以下内容中红色标记的术语会在文章最后提供解释】

仿射维数

定义：集合 $C$ 的仿射维数为其仿射包的维数。

【通俗理解】仿射包包含集合 $C$ 中任意点的线性组合。所有线性组合最终组成的空间是几维，仿射包就是几维。比如 $R^2$ 上的单位圆环，任意点的线性组合都在一个平面上，即单位圆环的仿射维数是2维。

相对内部与相对边界

相对内部

规范定义

定义：若集合 $C \subseteq R^n$ 的仿射维数小于n（比如一个正方形在三维空间 $R^3$ 内），那么集合 $C$ 在仿射集合 $\mathbf{aff} C \neq R^n$ 中。我们称集合C的相对内部为 $\mathbf{aff} C$ 的内部，记为 $\mathbf{relint} C$ 。

数学表达： $\mathbf{relint} C = \begin{Bmatrix} x \in C | B(x,r) \cap \mathbf{aff} C \subseteq C \; for \; some \; r > 0\end{Bmatrix},$

其中 $B(x,r)=\begin{Bmatrix} y | \left \| y-x \right \|<r \end{Bmatrix}$ , 即半径为r，中心为x并由范数|| ||定义的球。

具体例子

举个简单的例子，比如集合C是一个正方形(二维图形)，表达为

$C = \left\{ x \in \mathbf{R}^3 | -1 \leq x_1 \leq 1, -1 \leq x_2 \leq 1, x_3 = 0 \right\}$

显然，它的仿射包就是 $x_3= 0$ 对应的二维平面，表达为

$\mathbf{aff} C = \left\{ x \in \mathbf{R}^3 | x_3 = 0 \right\}$

现在要求集合 $C$ 的相对内部，那就得先找 $B(x,r)$ ，它的形状是个球，有两个参数x和r。这里的x是在集合C里的，半径r的值可任意调整。可以想象， $B(x,r) \cap \mathbf{aff} C$ 其实就是球在 $x_3= 0$ 平面上的截面，形状是半径为r的圆形。

一个圆形所有点都要在集合C内，如果x取的是集合C的边界，比如 $\left\{ (x_1, x_2) | x_1 = 1, -1 \leq x_2 \leq 1 \right\}$ ，那无论半径r取多小，都会存在圆形的某个点不在集合C内；而如果x取的是集合C内部的点 $\left\{ x \in \mathbf{R}^3 | -1 < x_1 < 1, -1 < x_2 < 1, x_3 = 0 \right\}$ ，那就不存在这个问题了。