凸优化2：凸集_m = {a ∈ r 4×4 : rank(a) ≤ 2}是否为凸集-CSDN博客

本文链接：https://blog.csdn.net/qq_36870202/article/details/114340333

什么是凸集

直线和线段

直线

$R^n$ 空间两个点 $x_1\neq x_2$ ,穿越两点的直线：

$y=\theta x_1 + (1-\theta) x_2$

另一种形式：

$x_2 + \theta (x_1 - x_2)$

可以理解为，以 $x_2$ 为参考点，沿着从 $x_2$ 指向 $x_1$ 的向量 $\vec v=(x_1 - x_2)$ ，移动 $\theta$ 倍长度后到达的点 $y$ 。当 $\theta = 1$ 时，到达点 $x_1$ ，即 $y=x_1$ 。

线段

如果限定参数 $\theta \in [0,1]$ ，则构成 $x_1, x_2$ 两点间线段。

仿射集

对于两个点：

如果通过集合 $C\sube R^n$ 中任意两个不同点的直线仍在集合 $C$ 中，则称集合 $C$ 是仿射的。

或者说， $\forall x_1, x_2 \in C, \theta \in R$ ，有 $y=\theta x_1 + (1-\theta) x_2 \in C$ ，则集合 $C$ 是仿射集。

扩展到多个点：

对于 $C$ 中的 $k$ 个点 $\forall x_1, \cdots, x_k \in C$ , 以及 $R$ 中的系数 $\sum_{i=0}^{k}\theta_i=1$ ，如果有 $y=\sum_{i=0}^{k} \theta_i x_i \in C$ ，则集合 $C$ 是仿射的。

仿射组合

$y=\sum_{i=0}^{k} \theta_i x_i$ 称为点 $x_1, \cdots, x_k$ 的仿射组合，其中 $\sum_{i=0}^k\theta=1$ 。

子空间

仿射集合 $C$ 中包含 $\boldsymbol{0}$ 元素 $\iff$ 集合 $C$ 关于加法和数乘封闭 $\iff$ 集合 $C$ 是一个子空间

仿射包

集合 $C$ 中的点的所有仿射组合，组成 $C$ 的仿射包。即包含 $C$ 的最小仿射组合。
$\bold{aff}C = \Big\lbrace \sum_{i=1}^{k} \theta_i x_i | x_i \in C, \sum_{i=0}^k\theta=1 \Big\rbrace$

仿射维度

定义集合 $C$ 的仿射维度为其仿射包的维度。此处需要区别于自由度。

例如，定义集合 $C$ 为 $R^2$ 上的单位圆 $C=\{x\in R^2 | x_1^2 +x_2^2 = 1 \}$ ，其仿射包为整个 $R^2$ 空间，所以仿射维度为2。但其自由度为1。

凸集

如果集合 $C$ 中任意两点间的线段仍在 $C$ 中，则 $C$ 为凸集。

凸组合

$\sum_{i=0}^k \theta_i x_i$ 为点 $x_1, \cdots, x_k$ 的一个凸组合，其中 $\sum_{i=0}^k \theta _i = 1, \theta _i \ge 0$ ;

集合是凸集 $\iff$ 包含其所有元素的所有凸组合；

对比仿射集：

仿射集：通过集合 $C\sube R^n$ 中任意两个不同点的直线仍在集合 $C$ 中；
仿射集也是凸集，但凸组合的前提条件更加严格，即要求 $\theta _i \ge 0$ 。
仿射集 $\sube$ 凸集，仿射集 $\Rightarrow$ 凸集，仿射集 $\nLeftarrow$ 凸集；

凸包

集合 $C$ （不一定凸）中所有点的凸组合的集合，为其凸包。

$\bold{conv}C = \Big\lbrace \sum_{i=0}^k \theta_i x_i |x_i \in C, \theta _i \ge 0, \sum_{i=0}^k \theta _i = 1 \Big\rbrace$

凸包总是凸的，是包含 $C$ 的最小凸集。

可以理解为，集合 $C$ 的凸包为其最小的凸包络面及内部区域。

凸锥

如果对于任意 $x\in C, \theta \ge 0$ , 都有 $\theta x \in C$ , 则称集合 $C$ 是锥或非负齐次。
同时，如果 $C$ 也是凸的，则称 $C$ 为凸锥。

例如， $R^2$ 上集合 $C$ 的凸锥为包含 $C$ 的最小扇形。

锥组合

$\sum_{i=0}^k \theta_i x_i$ 为 $x_1,\cdots, x_k$ 的锥组合（或非负线性组合)，其中 $\theta _i \ge 0$ ;

集合是凸锥 $\iff$ 包含其所有元素的所有锥组合；

锥包

是 $C$ 中所有元素的所有锥组合的集合；也是包含 $C$ 的最小凸锥；

$\Big\lbrace \sum_{i=0}^k \theta_i x_i |x_i \in C, \theta _i \ge 0\Big\rbrace$

对比凸包

锥包不要求 $\sum_{i=0}^k \theta _i = 1$ 。

凸集的一些例子

超平面

${ x | a^T x = b\}$

另一种形式，对于超平面一点 $x_0$ :
${ x | a^T (x-x_0) = 0\}$

超平面是凸的，而且是仿射的。

半空间

闭的半空间：
$\{ x | a^T x \le b\}$

另一种形式，对于分界面上一点 $x_0$ :
$\{ x | a^T (x-x_0) \le 0\}$
半空间是凸的，但不是仿射的。

Euclid球

球心 $x_c$ , 半径 $r$ :

$\begin{aligned} B(x_c, r) &= \{ x \big| \| x-x_c \| _2 \le r \} \\ &=\{ x \big| (x-x_c)^T(x-x_c) \le r^2 \} \end{aligned}$

另一种表达形式：

$B(x_c, r) = \{ x_c + ru \big| \| u \| _2 \le 1 \}$

椭球

$\mathcal{E} =\{ x \big| (x-x_c)^TP^{-1}(x-x_c) \le r^2 \}$
其中， $P$ 对称正定，即特征值 $\lambda_i\ge 0$ 。椭球 $\mathcal{E}$ 半长轴: $\sqrt{\lambda_i}$ .

另一种表达形式：

$B(x_c, r) = \{ x_c + Au \big| \| u \| _2 \le 1 \}$

$A$ 是非奇异方阵（普通情况）；
$A$ 奇异时，椭球退化。例如 $R_3$ 中的椭球退化为圆柱。

范数球

Euclid球中使用的2范数，替换为其他范数。则对于球心 $x_c$ , 半径 $r$ ，范数球:

$\begin{aligned} B(x_c, r) &= \{ x \big| \| x-x_c \| \le r \} \\ &=\{ x_c + ru \big| \| u \| \le 1 \} \end{aligned}$

范数锥

对于 $\in R^n$ ，范数锥：

$\{(x,t) \big| \|x\| \le t\} \in R^{n+1}$