1.1 仿射集与凸集-1

2021 年 2 月 6 日星期六，想喝奶茶的一天。

想要 coco 今日推出的奶茶包，可惜要 88 赞。

废话少说，进入正题。

1 凸集与凸函数

1.1 仿射集与凸集-1

定义 1.1.1 若集合 $W\subseteq {\mathbb{R}}^n$ 中任意两个不同元素对于加法和数乘皆是封闭的，即任取 $x_1,x_2\in W$,${\lambda }_1,{\lambda }_2\in \mathbb{R}$ 皆有
$${\lambda }_1{x}_1+{\lambda }_2{x}_2\in W,$$
则称集合 $W$ 为线性子空间.

举例：过原点的直线、过原点的平面

定义 1.1.2 任取 $x_i\in {\mathbb{R}}^n,{\lambda }_i\in \mathbb{R},i\in [m],$
若向量 $x\in {\mathbb{R}}^n$ 可以表示为
$$x={\lambda }_1{x}_1+{\lambda }_2{x}_2+{\lambda }_3{x}_3+\cdots +{\lambda }_m{x}_m,$$
则称向量 $x$ 为向量组 { x i ∣ i ∈ [ m ] } \{x_i|i\in [m]\} {xi​∣i∈[m]} 的线性组合.

与以往认知不同，如果 $A$ 是 $B$ 的线性组合，则 $A$ 是被表示对象，$B$ 是表示对象.

定义 1.1.3若线性组合满足 $${\lambda }_1{x}_1+{\lambda }_2{x}_2+{\lambda }_3{x}_3+\cdots +{\lambda }_m{x}_m=0,$$ 当且仅当 $${\lambda }_1={\lambda }_2={\lambda }_3=\cdots ={\lambda }_m=0,$$ 则称向量组 { x i ∣ i ∈ [ m ] } \{x_i|i\in [m]\} {xi​∣i∈[m]} 线性无关，否则称其线性相关.

线性子空间 $W$ 中极大线性无关的向量组成为该线性子空间的基，基中所含向量的个数成为线性子空间的维数.

将由范数 $||\cdot ||$ 定义的半径为 $r$，中心为 $x$ 的球记为
B ( x , r ) = { y ∈ R n ∣ ∣ ∣ y − x ∣ ∣ ≤ r } , B(x,r)=\{y\in\mathbb{R}^n|||y-x||\leq r\}, B(x,r)={y∈Rn∣∣∣y−x∣∣≤r},
其中 $||\cdot ||$ 可以是任意范数，在无特别说明时一般为 2 范数.

【向量的范数】0 范数：向量中非零元素的个数；1 范数：绝对值之和；2 范数：向量的模；无穷范数：向量最大值.

定义 1.1.4给定集合 $C\subseteq {\mathbb{R}}^n$ 与点 $x\in C,$ 若存在实数 $r>0$,使得 $B(x,r)\subseteq C,$ 则称 $x$ 为 $C$ 的内点.集合 $C$ 的全体内点构成的集合称为 $C$ 的内部，记为 $intC,$ 即
i n t   C = { x ∣ B ( x , r ) ⊆ C , ∃   r ∈ R + + } . int\ C=\{x|B(x,r)\subseteq C,{\exists}\ r\in \mathbb{R}_{++}\}. int C={x∣B(x,r)⊆C,∃ r∈R++​}.

定义 1.1.5【开集与闭集】若对于集合 $C\subseteq {\mathbb{R}}^n$ 中的任意一点 $x$，总存在实数 $r>0$,使得 $B(x,r)\subseteq C$,则称集合 $C$ 为开集.若集合 $C\subseteq {\mathbb{R}}^n$ 内的任意点列 $x_k$ 的聚点均属于 $C$，则称为 $C$ 为闭集.

简而言之，所有点都是内点的为开集；聚点都属于该集合的为闭集；

【推论】给定集合 $C$ 的内部 $intC$ 为开集.并且相对于全空间而言，开集与闭集互为补集.

【聚点】任意半径的去心邻域与集合包含无穷多点的点为该集合的聚点，内点一定是聚点，聚点却不一定是内点.

定义 1.1.6【开集与闭集】给定集合 $C\subseteq {\mathbb{R}}^n$,将包含集合 $C$ 的最小闭集定义为 $C$ 的闭包，定义为 $clC$.进一步，将属于 $clC$ 但不属于 $intC$ 的点的全体构成的集合称为 $C$ 的边界，记为 $bdC$

有关资料如下：

参考图书：《凸优化理论与算法》

内点、外点、聚点、边界点、孤立点之间的区别和关系

实变函数（1）-集合与点集