凸优化笔记(三)--凸函数

版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/purgle/article/details/51897088

1、若函数f:RnR是凸的,有个很重要的前提,domf是凸集。
2、函数是凸的,当且仅当其在与其定义域相交的任何直线上都是凸的?
直线x+tvdomf相交,且f(x+tv)是凸的,为什么能证明f(x)是凸的?
3、拓展值延伸,起到自动定义定义域的作用,引出示性函数。
4、一阶条件,f可微是由梯度f存在引出。 全局下估计?
  f(y)f(x)+f(x)T(yx),f(x)fx附近的泰勒近似。
5、一阶凸性条件的证明中,用到了2的结论。
6、一阶凸性一般情况的证明,为什么要用g(t)g(t˜)+g(t)(tt˜)来证明?
7、二阶条件,f二阶可微由Hessian矩阵或二阶导数2f存在引出。
8、书上几个典型例子中,Hessian矩阵的求法要注意。
9、(y,t)epif[f(x)1]T([yt][xf(x)])0(f(x),1)向量是支撑epif。这个结论是跟全局下估计有关?其中t表示的是f(y)的值。
10、f(Ex)Ef(x),E是期望,为什么这个式子能刻画凸性?
如果f不是凸函数,也不是凹函数,可能是其他类函数吗?如果只能是凸或凹函数的一种,那么结论就成立。因为若f不是凸函数,那么存在随机变量x,xdomf以概率1发生,使得f(Ex)>Ef(x).
11、凸性和Jensen不等式可构成不等式理论的基础。
12、逐点最大性质,可扩展到无限个凸函数的逐点上确界,这里的“无限个”用f(x,y)yA表示。
13、书中例3.9中的解析最小值是怎么得到的?
14、扩展值延伸的非增、非减,满足无限延伸的条件。
15、最小化:g(θx1+(1θ)x2)=infyCf(θx1+(1θ)x2,y)f(θx1+(1θ)x2,θy1+(1θ)y2)
?θf(x1,y1)+(1θ)f(x2y2)θg(x1)+(1θ)g(x2)+ϵ
16、指数和的对数函数的共轭函数是概率单纯性内的负熵函数。
17、拟凸函数是用在局部优化上?拟凸性是凸性的重要扩展。
18、拟凸的充要条件跟凸函数的一阶条件相似。f(x)f(y)f(x)T(yx)0
19、例3.31中,注意domf=R2+,所以f是拟凸函数。也就是定义中有个αR,是在domf之内的。
20、yRn,xdomfyTf(x)=0yT2y0,是由反证法得到的?
21、为什么例3.21说明2f(x)在(n-1)维子空间f2上半正定的,即2f(x)最多只有一个负特征值。
22、如果函数h是凸函数,则eh是凸函数,对数凸函数也是凸函数。
补18:为什么其他书上有这样的拟凸函数定义:0<θ<1,f(θx1+(1θ)x2)<max{f(x1),f(x2)},与书中定义等价?图3.10中有提到上面的那句话,不过是在R上才成立。
现在来看,下水平集的定义更宽泛,毕竟取α=max{f(x1),f(x2)}也成立。
23、一些常用的概率密度函数是对数-凹函数。

阅读更多
想对作者说点什么?

博主推荐

换一批

没有更多推荐了,返回首页