1,convex function and concave function
凸面函数是指仅有一个极值,且极值为极小值的函数,像可以装水的桶;
凹面函数正好相反,像小山峰一样。
由定义知,凸面函数导数为0的点就是函数的最小值点。对于有多个极值的函数,可以定义它在某个区间内为凸面函数或凹面函数。
2,convex set
假 设 A ⊂ R , ∀ x , y ∈ A 和 λ ∈ [ 0 , 1 ] , 点 λ x + ( 1 − λ ) y 也 在 A 中 , 则 A 为 凸 面 集 。 假设A\subset R,\forall x,y \in A和 \lambda \in [0,1], 点\lambda x+(1-\lambda)y也在A中,则A为凸面集。 假设A⊂R,∀x,y∈A和λ∈[0,1],点λx+(1−λ)y也在A中,则A为凸面集。
In general, all open and closed intervals of the real line are convex.
3,Multidimensional Convexity
多维空间的凸面的定义方法和凸面集一样,只不过将实数集R换成了D维的欧式空间
R
D
R^D
RD,A换成了D维的向量集,定义如下:
假
设
A
⊂
R
D
,
∀
x
⃗
,
y
⃗
∈
A
和
λ
∈
[
0
,
1
]
,
点
λ
x
⃗
+
(
1
−
λ
)
y
⃗
也
在
A
中
,
则
A
为
多
维
空
间
的
凸
面
。
假设A\subset R^D,\forall \vec{x},\vec{y} \in A和 \lambda \in [0,1], 点\lambda \vec{x}+(1-\lambda)\vec{y}也在A中,则A为多维空间的凸面。
假设A⊂RD,∀x,y∈A和λ∈[0,1],点λx+(1−λ)y也在A中,则A为多维空间的凸面。
凸面集像球,非凸面集像马铃薯(或者其它一些凹凸不平的东西)。
仿射函数
仿射函数即由 1 阶多项式构成的函数,一般形式为 f (x) = A x + b,这里,A 是一个 m×k 矩阵,x 是一个 k 向量,b 是一个 m 向量,实际上反映了一种从 k 维到 m 维的空间映射关系。
设 f 是一个矢性(值)函数,若它可以表示为 f(x1,x2,…,xn)=A1x1+A2x2+…+Anxn+b,其中 Ai可以是标量,也可以是矩阵,则称 f 是仿射函数。其中的特例是,标性(值)函数 f(x)=ax+b ,其中 a、x、b 都是标量。此时严格讲,只有 b=0 时,仿射函数才可以叫“线性函数”(“正比例”关系)。