本文介绍了凸优化的基础概念，包括仿射集、凸集和锥的定义，以及相关性质。仿射集是由线性组合构成的集合，包含线性方程组的解集；凸集是所有点的凸组合仍在此集合内的集合，如线段、多边形；锥则是所有点的非负齐次组合形成的集合。文章通过超平面、欧几里得球、多面体和半正定锥等例子深入浅出地阐述了这些概念。
仿射集、凸集、锥
概念
设 有 k 个 点 x 1 , x 2 , … , x k ∈ C ， C 是 一 个 集 合 ， 有 k 个 实 数 θ 1 , θ 2 , … , θ k ∈ R 设有k个点x_1,x_2,\ldots,x_k\in C，C是一个集合，有k个实数\theta_1,\theta_2,\ldots,\theta_k \in R 设有k个点x1,x2,…,xk∈C，C是一个集合，有k个实数θ1,θ2,…,θk∈R
对于组合：
θ 1 x 1 + θ 2 x 2 + … + θ k x k \theta_1x_1+\theta_2x_2+\ldots+\theta_kx_k θ1x1+θ2x2+…+θkxk
- 称为仿射组合：当满足条件： θ 1 + θ 2 + ⋯ + θ k = 1 \theta_1+\theta_2+\cdots+\theta_k = 1 θ1+θ2+⋯+θk=1
- 称为凸组合：当满足条件： θ 1 + θ 2 + ⋯ + θ k = 1 且 θ i ≥ 0 , i = 1 , 2 , ⋯ , k \theta_1+\theta_2+\cdots+\theta_k = 1 且 \theta_i \ge 0,i=1,2,\cdots,k θ1+θ2+⋯+θk=1且θi≥0,i=1,2,⋯,k
- 称为锥组合：当满足条件： θ i ≥ 0 , i = 1 , 2 , ⋯ , k \theta_i \ge 0,i=1,2,\cdots,k θi≥0,i=1,2,⋯,k
1.1 仿射集
如果集合 C C C中任意点的仿射组合仍然在集合 C C C中，则集合 C C C是仿射的，称为仿射集
关于集合 C C C的子空间
如果 C 是 一 个 仿 射 集 合 并 且 x 0 ∈ C , 则 集 合 C是一个仿射集合并且x_0\in C,则集合 C是一个仿射集合并且x0∈C,则集合
V = C − x 0 = { x − x 0 ∣ x ∈ C } V=C-x_0=\{x-x_0|x\in C\} V=C−x0={
x−<
最低0.47元/天 解锁文章
1158
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
