1.1 什么是凸集?
简单来说, 凸集是一个点集, 这个点集有一个性质, 就是在这个集合中任取不同的两个点x和y, 他们之间的线段(包括端点)上的点都属于这个点集,那么就说这个点集是一个凸集。
比如下图中左边的图形是凸集,而右边不是,因为我们可以找到两个点,使它们之间的线段上的点不在集合中
数学上,凸集的定义如下:
给定集合 C C, ∀x,y∈C ∀x,y∈C, 0≤θ≤1 0≤θ≤1,如果有
我们就称集合C是凸集,我们把点 θx+(1−θy) θx+(1−θy)称为x和y的凸组合。
1.2 什么是凸函数?
假设有一个函数 f:Rn→R f:Rn→R,记其定义域为 D(f) D(f),如果 D(f) D(f)是凸集,且在其中任取两个点 x,y x,y,满足以下性质:
那么就称 f f为凸函数。
注意:定义域是凸集这个要求不是必须的,其出发点只是为了使x,y的凸组合有定义
关于凸函数,直观上可以用下图来加深理解:
简单来说,我们在定义域任取两个点x,y, 连接他们得到一条线段,如果这个线段上的点都位于对应函数值上方,我们就说该函数是一个凸函数。
更进一步,如果 x≠y x≠y且 0<θ<1 0<θ<1我们称 f f是严格凸的。如果 −f −f是凸函数,那么 f f就是凹函数。如果 −f −f是严格凸函数,那么 f f就是严格凹函数。
1.3 凸函数的等价判别方法
上面我们讲了什么是凸函数,然而这个定义在现实中很难用于判断一个函数是不是凸的,因此介绍几个等价的定义。
1.3.1 一阶近似
假设函数 f:Rn→R f:Rn→R是可导函数(也就是说 f(x) f(x)的梯度 ∇xf(x) ∇xf(x)在整个定义域上都存在),则 f f是凸函数当且仅当 其定义域是凸集,且对于所有的 x,y∈D(f) x,y∈D(f)有下式成立:
我们将 f(x)+∇xf(x)T(y−x) f(x)+∇xf(x)T(y−x)叫做对f的一阶近似,其物理意义实际上是经过点x的切平面,我们用这个切平面上的点来近似 f(y) f(y)。这个公式的含义是:如果f是凸函数,那么它的一阶近似值始终位于函数值的下方。
1.3.2 二阶近似
假设函数 f:Rn→R f:Rn→R二阶可导(即海塞矩阵在定义域上都有定义),则f是凸函数当且仅当 其定义域是凸集且其海塞矩阵半正定,即:
可能有些同学忘了海塞矩阵长什么样了,这里提一下。假设我们的变量来自n维空间,即 x∈Rn x∈Rn,我们记 x=(x1,x2,...,xn)={xi}ni=1 x=(x1,x2,...,xn)={xi}i=1n,即由n个变量组成的向量。那么海塞矩阵(记为H吧)是一个 n×n n×n的方块矩阵,且
也就是说, Hij Hij是f(x)分别对 xi xi和 xj xj进行求导两次得到的。
1.4 凸优化问题
上面已经介绍了凸集和凸函数,是时候到凸优化了吧? 别急,在介绍凸优化概念之前再啰嗦两句。
1.4.1 水平子集(sublevel sets)
由凸函数的概念出发,我们可以引出水平子集(sublevel set)的概念。假定f(x)是一个凸函数, 给定一个实数 α∈R α∈R,我们把集合
叫做 α− α−水平子集。 也就是说 α α水平子集是所有满足 f(x)≤α f(x)≤α的点构成的集合。利用凸函数性质,我们可以证明水平子集也是凸集:
水平子集告诉我们,给凸函数添加一个上限,定义域内剩下的点构成的点集还是一个凸集。
1.4.2 仿射函数(affine functions)
数学上,我们把形如
的函数叫做仿射函数。其中, An×m An×m,一个向量 b∈Rm b∈Rm。直观上理解,仿射函数将一个n维空间的向量通过线性变换A映射到m维空间,并在其基础上加上向量b,进行了平移。
同理,我们可以证明,点集
是一个凸集,证明略。
1.4.3 凸优化(convex optimization)
那么回到凸优化问题上来, 什么是一个凸优化问题?
一个凸优化问题可以定义为:
其中f是一个凸函数,C是一个凸集。根据先前介绍过的水平子集等概念,上面问题又可以等价写为:
其中,g(x)是凸函数,h(x)是仿射函数。 也就是说,原约束集C被我们表示为一系列凸集的交集(数学上可以证明,凸集的交集还是凸集)。
1.4.4 局部最优(local optima)和全局最优(global optima)
局部最优:周围小范围 内没有比我小的点。
数学定义:
如果存在 R>0 R>0,对于所有的z: ∥x−z∥2<R ∥x−z∥2<R,有 f(x)≤f(z) f(x)≤f(z),那么就称x是一个局部最优点。
全局最优:我就是整个定义域中的最小的点。
数学定义:
如果对于定义域内的所有z,有 f(x)≤f(z) f(x)≤f(z),则称x是全局最优。
现在回到凸优化问题上, 对于凸优化问题,有一个很重要的结论:
对于凸函数来讲, 局部最优就是全局最优。证明如下:
我们用反证法证明。设 x x是一个局部最优,但不是全局最优,于是我们假设全局最优是 z∗ z∗,那么我们有 f(x)>f(z∗) f(x)>f(z∗)
由x的局部最优性质,我们有 :
存在 R>0 R>0,对于所有的z: ∥x−z∥2<R ∥x−z∥2<R,有 f(x)≤f(z) f(x)≤f(z)
我们考虑 x x和 z∗ z∗的凸组合: z=θx+(1−θ)z∗ z=θx+(1−θ)z∗,无论 z∗ z∗在哪里,我们总可以找到一个 θ θ,使得 z z位于 x x的邻域内,使得 f(x)≤f(z) f(x)≤f(z)
另一方面,由凸函数性质,我们有:
由此得 f(z)<f(x) f(z)<f(x),这与 f(x)≤f(z) f(x)≤f(z)矛盾, 于是我们证明了如果 x x是局部最优,那么同时它也是全局最优。
1.5 常见凸优化问题
- 线性规划
如果 f f和 gi gi都是仿射函数,则凸优化问题变为了线性规划问题:
- 二次规划
线性规划中,如果 f f变为一个凸二次函数,则凸优化问题变为二次规划:
- 二次约束二次规划
f f和 gi gi都是凸二次函数
- 半定规划
其中, X∈Sn X∈Sn是一个n维对称方阵,并且我们将它约束为半正定矩阵。 C,Ai C,Ai都是对称矩阵。这和前面的问题有点不太相同,前面是优化一个向量,而这里是优化一个矩阵。
参考:
http://cs229.stanford.edu/section/cs229-cvxopt.pdf