简单凸优化笔记
凸函数和凸集
- 凸函数上方区域为凸集
- 函数上方区域为凸集,则函数为凸函数
凸集
集合
C
C
C任意两点间线段都在集合
C
C
C里,则称集合
C
C
C为凸集
∀
x
1
,
x
2
∈
C
,
θ
∈
[
0
,
1
]
则
θ
x
1
+
(
1
−
θ
)
x
2
∈
C
\forall x_{1},x_{2}\in C, \theta\in[0,1]\\ 则\theta x_{1}+(1-\theta)x_{2}\in C
∀x1,x2∈C,θ∈[0,1]则θx1+(1−θ)x2∈C
拓展
∀
x
1
,
.
.
.
,
x
k
∈
C
,
θ
i
∈
[
0
,
1
]
且
∑
θ
i
=
1
则
∑
θ
i
x
i
∈
C
\forall x_{1},...,x_{k}\in C, \theta_{i}\in[0,1]且\sum\theta_{i}=1\\ 则\sum\theta_{i}x_{i}\in C
∀x1,...,xk∈C,θi∈[0,1]且∑θi=1则∑θixi∈C
凸多边形是凸集,边界缺失不是凸集
超平面和半空间
超平面
{ x ∣ a T x = b } \{x|a^{T}x=b\} {x∣aTx=b}
半空间
{ x ∣ a T x ≤ b } { x ∣ a T x ≥ b } \{x|a^{T}x\leq b\}\\ \{x|a^{T}x\geq b\} {x∣aTx≤b}{x∣aTx≥b}
多面体
多面体是有限个半空间和超平面交集
P
=
{
x
∣
a
j
T
x
≤
b
j
,
c
i
T
x
=
d
i
}
P=\{x|a_{j}^{T}x\leq b_{j},c_{i}^{T}x=d_{i}\}
P={x∣ajTx≤bj,ciTx=di}
仿射集(如超平面,直线),射线,线段,半空间都是多面体
多面体是凸集
有界多面体称多胞形
保持凸性运算
- 集合交运算
定义证明
- 仿射变换
- 伸缩
- 平移
- 投影
f ( x ) = A x + b , A ∈ R m × n , b ∈ R m f : R n → R m f ( S ) = { f ( x ) ∣ x ∈ S } S 为 凸 集 → f ( S ) 为 凸 集 f ( S ) 为 凸 集 → S 为 凸 集 f(x)=Ax+b,A\in R^{m\times n},b\in R^{m}\\ f:R^{n}\rightarrow R^{m} \quad f(S)=\{f(x)|x\in S\}\\ S为凸集\rightarrow f(S)为凸集\\ f(S)为凸集\rightarrow S为凸集\\ f(x)=Ax+b,A∈Rm×n,b∈Rmf:Rn→Rmf(S)={f(x)∣x∈S}S为凸集→f(S)为凸集f(S)为凸集→S为凸集
- 透视变换
透视函数对向量进行伸缩(规范)使最后一维的分量为一并舍弃
P
:
R
n
+
1
→
R
n
,
P
(
z
,
t
)
=
z
/
t
P:R^{n+1}\rightarrow R^{n}, P(z,t)=z/t
P:Rn+1→Rn,P(z,t)=z/t
- 投射变换(线性分式变换)
透视和仿射的复合
g
:
R
n
→
R
n
+
1
g
(
x
)
=
[
A
c
T
]
x
+
[
b
d
]
A
∈
R
m
×
n
,
b
∈
R
m
,
c
∈
R
n
,
d
∈
R
g:R^{n}\rightarrow R^{n+1}\\ g(x)=\begin{bmatrix} A\\ c^{T} \end{bmatrix}x+ \begin{bmatrix} b \\ d \end{bmatrix}\\ A\in R^{m\times n},b\in R^{m},c\in R^{n},d\in R
g:Rn→Rn+1g(x)=[AcT]x+[bd]A∈Rm×n,b∈Rm,c∈Rn,d∈R
定义
f
f
f为线性分式函数
f
(
x
)
=
(
A
x
+
b
)
c
T
x
+
d
d
o
m
f
=
{
x
∣
c
T
x
+
d
>
0
}
f(x)=\frac{(Ax+b)}{c^{T}x+d}\\ dom f=\{x|c^{T}x+d>0\}
f(x)=cTx+d(Ax+b)domf={x∣cTx+d>0}
若
c
=
0
,
d
>
0
c=0,d>0
c=0,d>0则
f
f
f为普通仿射函数
分割超平面
设
C
C
C和
D
D
D为两个不相交凸集,则存在超平面
P
P
P,
P
P
P可以将
C
C
C和
D
D
D分离
∀
x
∈
C
,
a
T
x
≤
b
且
∀
x
∈
D
,
a
T
x
≥
b
\forall x\in C,a^{T}x\leq b且\forall x\in D,a^{T}x\geq b
∀x∈C,aTx≤b且∀x∈D,aTx≥b
注意可以取等号
逆命题
若两个凸集 C C C和 D D D的分割超平面存在, C C C和 D D D不相交为假命题
加强条件
若两个凸集至少有一个是开集,那么当且仅当存在分割超平面,它们不相交
分割超平面构造
距离
两个集合距离为两个集合间元素的最短距离
构造
做距离中垂线
支撑超平面
设集合 C C C, x 0 x_{0} x0为 C C C边界上的点。若存在 a ≠ 0 a\neq 0 a=0,满足对任意 x ∈ C x\in C x∈C,都有 a T x ≤ a T x 0 a^{T}x\leq a^{T}x_{0} aTx≤aTx0成立,则称超平面 { x ∣ a T x = a T x 0 } \{x|a^{T}x=a^{T}x_{0}\} {x∣aTx=aTx0}为集合 C C C在点 x 0 x_{0} x0处的支撑超平面
凸集边界任意一点都存在支撑超平面
反之,若一个闭的非中空(内部点不为空)集合,在边界上任意一点存在支撑超平面,则该集合为凸集
凸函数
若函数
f
f
f定义域
d
o
m
f
dom f
domf为凸集,且满足
∀
x
,
y
∈
d
o
m
f
,
0
≤
θ
≤
1
有
f
(
θ
x
+
(
1
−
θ
)
y
)
≤
θ
f
(
θ
)
+
(
1
−
θ
)
f
(
y
)
\forall x,y\in domf,0\leq\theta\leq1有 f(\theta x+(1-\theta)y)\leq \theta f(\theta)+(1-\theta)f(y)
∀x,y∈domf,0≤θ≤1有f(θx+(1−θ)y)≤θf(θ)+(1−θ)f(y)
一阶可微
若
f
f
f一阶可微,则函数
f
f
f为凸函数当且仅当
f
f
f的定义域
d
o
m
f
dom f
domf为凸集且
∀
x
,
y
∈
d
o
m
f
,
f
(
y
)
≥
f
(
x
)
+
▽
f
(
x
)
T
(
y
−
x
)
\forall x,y\in dom f,f(y)\geq f(x)+\bigtriangledown f(x)^{T}(y-x)
∀x,y∈domf,f(y)≥f(x)+▽f(x)T(y−x)
对于凸函数,其一阶泰勒近似本质为该函数全局估计
反之若一个函数一阶泰勒近似总是其全局下估计,则该函数为凸函数
二阶可微
若函数
f
f
f二阶可微,则函数
f
f
f为凸函数当且仅当
d
o
m
f
dom f
domf为凸集,且
▽
2
f
(
x
)
≻
=
0
\bigtriangledown^{2}f(x)\succ =0
▽2f(x)≻=0
若
f
f
f为一元函数,上式表示二阶导大于等于
0
0
0
若 f f f为多元函数,上式表示二阶导海森矩阵半正定
例子
- e a x e^{ax} eax
- x a , x ∈ R + , a ≥ 1 或 a ≤ 0 x^{a},x\in R_{+},a\geq1或a\leq 0 xa,x∈R+,a≥1或a≤0
- − l o g x -logx −logx
- x l o g x xlogx xlogx
-
∣
∣
x
∣
∣
p
||x||_{p}
∣∣x∣∣p
- m a x ( x 1 , . . . , x n ) max(x_{1},...,x_{n}) max(x1,...,xn)
- x 2 / a , a > 0 x^{2}/a,a>0 x2/a,a>0
- l o g ( e x 1 + . . . + e x n ) log(e^{x_{1}+...+e^{x_{n}}}) log(ex1+...+exn)
上境图
函数
f
f
f图像定义为
{
(
x
,
f
(
x
)
)
∣
x
∈
d
o
m
f
}
\{(x,f(x))|x\in dom f\}
{(x,f(x))∣x∈domf}
函数
f
f
f的上境图定义为
e
p
i
f
=
{
(
x
,
t
)
∣
x
∈
d
o
m
f
,
f
(
x
)
≤
t
}
epif=\{(x,t)|x\in domf,f(x)\leq t\}
epif={(x,t)∣x∈domf,f(x)≤t}
凸函数与凸集
一个函数是凸函数,当且仅当其上境图是凸集
一个函数为凹函数,当且仅当其亚图是凸集
h
y
p
o
f
=
{
(
x
,
t
)
∣
t
≤
f
(
x
)
}
hypo f=\{(x,t)|t\leq f(x)\}
hypof={(x,t)∣t≤f(x)}
杰森不等式
f
f
f是凸函数情况下
f
(
θ
x
+
(
1
−
θ
)
y
)
≤
θ
f
(
x
)
f(\theta x+(1-\theta)y)\leq\theta f(x)
f(θx+(1−θ)y)≤θf(x)
若
θ
1
.
.
.
θ
k
≥
0
,
θ
1
+
.
.
.
+
θ
k
=
1
则
f
(
θ
1
x
1
+
.
.
.
+
θ
k
x
k
)
≤
θ
1
f
(
x
1
)
+
.
.
.
+
θ
k
f
(
x
k
)
若\theta_{1}...\theta_{k}\geq 0,\theta_{1}+...+\theta_{k}=1\\ 则f(\theta_{1}x_{1}+...+\theta_{k}x_{k})\leq\theta_{1}f(x_{1})+...+\theta_{k}f(x_{k})
若θ1...θk≥0,θ1+...+θk=1则f(θ1x1+...+θkxk)≤θ1f(x1)+...+θkf(xk)
若
p
(
x
)
≥
0
在
S
⊆
d
o
m
f
,
∫
S
p
(
x
)
d
x
=
1
则
f
(
∫
S
p
(
x
)
x
d
x
)
≤
∫
S
f
(
x
)
p
(
x
)
d
x
或
f
(
E
x
)
≤
E
(
f
(
x
)
)
若p(x)\geq 0 在S\subseteq domf,\int_{S}p(x)dx=1 \\ 则f(\int_{S}p(x)xdx)\leq \int_{S}f(x)p(x)dx\\ 或f(Ex)\leq E(f(x))
若p(x)≥0在S⊆domf,∫Sp(x)dx=1则f(∫Sp(x)xdx)≤∫Sf(x)p(x)dx或f(Ex)≤E(f(x))
可由杰森不等式证明
D
(
p
∣
∣
q
)
=
∑
p
(
x
)
l
o
g
p
(
x
)
q
(
x
)
=
E
p
(
x
)
l
o
g
p
(
x
)
q
(
x
)
≥
0
D(p||q)=\sum p(x)log \frac{p(x)}{q(x)}=E_{p(x)}log\frac{p(x)}{q(x)}\geq 0
D(p∣∣q)=∑p(x)logq(x)p(x)=Ep(x)logq(x)p(x)≥0
等等
保持函数凸性的算子
- 非负加权和
f ( x ) = w 1 f 1 ( x ) + . . . + w n f n ( x ) f(x)=w_{1}f_{1}(x)+...+w_{n}f_{n}(x) f(x)=w1f1(x)+...+wnfn(x) - 与仿射函数复合
g ( x ) = f ( A x + b ) g(x)=f(Ax+b) g(x)=f(Ax+b) - 逐点最大值,逐点上确界
f ( x ) = m a x ( f 1 ( x ) , . . . , f n ( x ) ) f ( x ) = sup y ∈ A g ( x , y ) f(x)=max(f_{1}(x),...,f_{n}(x))\\ f(x)=\sup_{y\in A}g(x,y) f(x)=max(f1(x),...,fn(x))f(x)=y∈Asupg(x,y)
函数逐点上确界函数对应着函数上境图交集
凸优化
优化问题基本形式
最
小
化
f
0
(
x
)
,
x
∈
R
n
不
等
式
约
束
f
i
(
x
)
≤
0
,
i
=
1...
m
等
式
约
束
h
i
(
x
)
=
0
,
j
=
1...
p
无
约
束
优
化
m
=
p
=
0
最小化f_{0}(x),x\in R^{n}\\ 不等式约束f_{i}(x)\leq 0,i=1...m\\ 等式约束h_{i}(x)=0,j=1...p\\ 无约束优化m=p=0
最小化f0(x),x∈Rn不等式约束fi(x)≤0,i=1...m等式约束hi(x)=0,j=1...p无约束优化m=p=0
优
化
问
题
的
域
D
=
⋂
i
=
1
m
d
o
m
f
i
∩
⋂
j
=
1
p
d
o
m
h
j
可
行
点
(
解
)
x
∈
D
且
满
足
约
束
条
件
可
行
域
,
所
有
可
行
点
集
合
优化问题的域D=\bigcap_{i=1}^{m} domf_{i} \cap \bigcap_{j=1}^{p}domh_{j} \\ 可行点(解)x\in D 且满足约束条件\\ 可行域,所有可行点集合
优化问题的域D=i=1⋂mdomfi∩j=1⋂pdomhj可行点(解)x∈D且满足约束条件可行域,所有可行点集合
最
优
化
值
p
∗
=
i
n
f
{
f
0
(
x
)
∣
f
i
(
x
)
≤
0
,
i
=
1...
m
,
h
j
(
x
)
=
0
,
j
=
1...
p
}
最
优
化
解
p
∗
=
f
0
(
x
∗
)
最优化值p^{*}=inf\{f_{0}(x)|f_{i}(x)\leq0,i=1...m,h_{j}(x)=0,j=1...p\}\\ 最优化解p^{*}=f_{0}(x^{*})
最优化值p∗=inf{f0(x)∣fi(x)≤0,i=1...m,hj(x)=0,j=1...p}最优化解p∗=f0(x∗)
凸优化问题基本形式
f
i
(
x
)
为
凸
函
数
h
j
(
x
)
为
仿
射
函
数
f_{i}(x)为凸函数\\ h_{j}(x)为仿射函数
fi(x)为凸函数hj(x)为仿射函数
重要性质
- 可行域为凸集
- 局部最优解为全局最优解
对偶问题
拉格朗日函数
L
(
x
,
λ
,
υ
)
=
f
0
(
x
)
+
∑
λ
i
f
i
(
x
)
+
∑
υ
j
h
j
(
x
)
L(x,\lambda,\upsilon)=f_{0}(x)+\sum \lambda_{i}f_{i}(x)+\sum\upsilon _{j}h_{j}(x)
L(x,λ,υ)=f0(x)+∑λifi(x)+∑υjhj(x)
对固定
x
x
x,拉格朗日函数
L
(
x
,
λ
,
υ
)
L(x,\lambda,\upsilon )
L(x,λ,υ)为关于
λ
\lambda
λ和
υ
\upsilon
υ的仿射函数
拉格朗日对偶函数
g
(
λ
,
υ
)
=
inf
x
∈
D
L
(
x
,
λ
,
υ
)
=
inf
x
∈
D
(
f
0
(
x
)
+
∑
λ
i
f
i
(
x
)
+
∑
υ
j
h
j
(
x
)
)
若
无
下
确
界
定
义
g
(
λ
,
υ
)
=
−
∞
g(\lambda,\upsilon)=\inf_{x\in D}L(x,\lambda,\upsilon)=\inf_{x\in D}(f_{0}(x)+\sum \lambda_{i}f_{i}(x)+\sum\upsilon _{j}h_{j}(x))\\ 若无下确界定义g(\lambda,\upsilon)=-\infty
g(λ,υ)=x∈DinfL(x,λ,υ)=x∈Dinf(f0(x)+∑λifi(x)+∑υjhj(x))若无下确界定义g(λ,υ)=−∞
根据定义有:对
∀
λ
≥
0
,
∀
υ
\forall \lambda\geq 0,\forall\upsilon
∀λ≥0,∀υ,原优化问题有最优值
p
∗
p^{*}
p∗,则
g
(
λ
,
υ
)
≤
p
∗
g(\lambda,\upsilon)\leq p^{*}
g(λ,υ)≤p∗
进一步,拉格朗日对偶函数为凹函数
假设
x
0
x_{0}
x0不可行,即存在
f
i
(
x
)
>
0
f_{i}(x)>0
fi(x)>0,则选择
λ
i
→
∞
\lambda_{i}\rightarrow\infty
λi→∞,对于其他乘子
λ
i
=
0
,
j
≠
i
\lambda_{i}=0,j\neq i
λi=0,j=i
假设
x
0
x_{0}
x0可行,则有
f
i
(
x
)
≤
0
,
i
=
1...
m
f_{i}(x)\leq 0,i=1...m
fi(x)≤0,i=1...m,令
λ
i
=
0
,
i
=
1...
m
\lambda_{i}=0,i=1...m
λi=0,i=1...m
有
sup
λ
≥
0
L
(
x
,
λ
)
=
sup
λ
≥
0
(
f
0
(
x
)
+
∑
λ
i
f
i
(
x
)
)
=
{
f
0
(
x
)
,
f
i
(
x
)
<
0
∞
,
o
t
h
e
r
\sup_{\lambda\geq 0}L(x,\lambda)=\sup_{\lambda\geq 0}(f_{0}(x)+\sum\lambda_{i}f_{i}(x))= \left\{\begin{matrix} f_{0}(x),f_{i}(x)<0 \\ \infty,other \end{matrix}\right.
λ≥0supL(x,λ)=λ≥0sup(f0(x)+∑λifi(x))={f0(x),fi(x)<0∞,other
原问题为
inf
x
f
0
(
x
)
\inf_{x} f_{0}(x)
infxf0(x)转变为
inf
x
sup
λ
≥
0
L
(
x
,
λ
)
\inf_{x} \sup_{\lambda\geq 0}L(x,\lambda)
infxsupλ≥0L(x,λ)
对偶问题是求对偶函数最大值,即
sup
λ
≥
0
inf
x
L
(
x
,
λ
)
\sup_{\lambda\geq0}\inf_{x}L(x,\lambda)
λ≥0supxinfL(x,λ)
而
sup
λ
≥
0
inf
x
L
(
x
,
λ
)
≤
inf
x
sup
λ
≥
0
L
(
x
,
λ
)
\sup_{\lambda\geq0}\inf_{x}L(x,\lambda)\leq\inf_{x}\sup_{\lambda\geq0}L(x,\lambda)
λ≥0supxinfL(x,λ)≤xinfλ≥0supL(x,λ)
强对偶条件
对偶函数最大值为原问题最小值
f
0
(
x
∗
)
=
g
(
λ
∗
+
υ
∗
)
=
inf
x
(
f
0
(
x
)
+
∑
λ
i
∗
f
i
(
x
)
+
∑
υ
j
∗
h
j
(
x
)
)
≤
f
0
(
x
∗
)
+
∑
λ
i
∗
f
i
(
x
x
)
+
∑
υ
j
∗
h
j
(
x
∗
)
≤
f
0
(
x
∗
)
f_{0}(x^{*})=g(\lambda^{*}+\upsilon^{*})\\ =\inf_{x}(f_{0}(x)+\sum \lambda_{i}^{*}f_{i}(x)+\sum\upsilon _{j}^{*}h_{j}(x))\\ \leq f_{0}(x^{*})+\sum \lambda_{i}^{*}f_{i}(x^{x})+\sum\upsilon _{j}^{*}h_{j}(x^{*})\\ \leq f_{0}(x^{*})
f0(x∗)=g(λ∗+υ∗)=xinf(f0(x)+∑λi∗fi(x)+∑υj∗hj(x))≤f0(x∗)+∑λi∗fi(xx)+∑υj∗hj(x∗)≤f0(x∗)
条件
f
i
(
x
∗
)
≤
0
h
i
(
x
∗
)
=
0
λ
i
∗
≥
0
λ
i
∗
f
i
(
x
∗
)
=
0
i
=
1...
m
▽
f
0
(
x
∗
)
+
∑
λ
i
∗
▽
f
i
(
x
x
)
+
∑
υ
j
∗
▽
h
j
(
x
∗
)
=
0
f_{i}(x^{*})\leq 0\\ h_{i}(x^{*})= 0\\ \lambda_{i}^{*}\geq 0\\ \lambda_{i}^{*}f_{i}(x^{*})= 0\\ i=1...m\\ \bigtriangledown f_{0}(x^{*})+\sum \lambda_{i}^{*}\bigtriangledown f_{i}(x^{x})+\sum\upsilon _{j}^{*}\bigtriangledown h_{j}(x^{*})=0
fi(x∗)≤0hi(x∗)=0λi∗≥0λi∗fi(x∗)=0i=1...m▽f0(x∗)+∑λi∗▽fi(xx)+∑υj∗▽hj(x∗)=0