凸规划

1.凸集

设S为n维欧式空间$\mathbb R^n$中的一个集合, 若对S中任意两点, 连接它们的线段中任一点仍属于S, 那么就说S为一个凸集.
对于S中的任意两点$\mathbf x_1 , \mathbf x_2$, 对于任意的$\lambda \in [0,1]$, 都有

$$\lambda \mathbf x_1+(1-\lambda ) \mathbf x_2 \in S$$ ,称S为一个 凸集.

凸集一般用集合$H=\{ \mathbf x | \mathbf p^T \mathbf x =\alpha\}$表示.$\mathbf p$ 为n维列向量, $\alpha$为实数.

2.凸函数

国内有些书籍的定义与国外相反. 按照下面的定义, 凸函数的形状是下凸的, 符合人们对凹的直观理解.

$x_1 ,x_2$ 为凸集中的任意两点, $\lambda \in [0,1]$, 若满足

$$f(\lambda \mathbf x_1+(1-\lambda) \mathbf x_2) \le \lambda f(\mathbf x_1)+(1-\lambda) f(\mathbf x_2)$$
则称函数为凸函数.
线性函数既是凸函数也是凹函数.

3.凸规划

求凸函数在凸集上的极小点, 这类问题称为凸规划.
凸规划是非线性规划中一种重要的特殊情形. 凸规划的局部最小点就是全局最小点.
举个例子, 我们考虑下面的极小化问题:

$$\begin{align} min && f(\mathbf x) \\ s.t. && g_i(x) \ge 0, && i=1, ... , m \\ && h_j(x) = 0, && j=1, ... , l \end{align}$$
设f(x)是凸函数, $g_i(x)$是凸函数, $h_j(x)$是线性函数.
那么这个问题的可行域S就是 $m+l$个凸集的交, 还是凸集.