优化:从一个 可行解的集合 中 找到 最优元素 。
数学形式上,一般会有三个元素:优化变量,目标函数,不等式约束
目标函数是线性函数的叫线性规划(一般来说线性函数不能有常数项),相对的是非线性规划。
线性函数定义:f(ax+by) = af(x) + bf(y) 如果有常数项就不符合这个式子了。
凸规划,非凸规划:
目标函数满足 f(ax+by) <= af(x) + bf(y)的叫凸规划,相对的是非凸规划
光滑,非光滑(针对目标函数),连续离散(针对可行域,也就是x)单目标多目标
以上内容可以在电子书的13页上看到
直线与线段的定义:
该定义见书31页
仿射集合:
仿射组合:
可以看到,放射集合包含任意两点的系数为1的线性组合,可以证明出该集合也包括任意三点系数为一的线性组合,因此两个定义实际上是一样的。证明过程如下:
注意:放射集C不能保证对任意a,b都能ax1+bx2属于C,要a,b和为1.只有少数放射集(如整个平面,过原点的)才可以对任意a,b成立。
意思就是说这个仿射集合中的所有的点一起减去一个点的坐标,大家就都会移动到过原点的直线上,这样的时候a,b也不需要和为0了。这个就叫做与仿射集相关的子空间。
与仿射集相关的一个例子:线性方程组的解集是仿射集。
显然线性方程组的解集是 (系数随便的齐次方程组解集,与x相乘都是0) + (一个特解)这样的结构,前面那一部分什么系数都没有关系,只要最后那个特解系数保证是1就好。因此只要两个解系数和为1,那么特解的系数就是1,前面系数无所谓,因此这个解集也是仿射集。
任意一个仿射集也可以写成线性方程组的解集。
仿射包:
c中所有点齐上阵组成的最小仿射集