组合优化与凸优化 学习笔记1：引言，凸集，仿射集合

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