凸优化学习-（七）保持集合凸性的操作

凸优化学习

今天学习保持集合凸性的操作。

学习笔记

一、交集

若$S_1,S_2$为凸，则$S_1\cap S_2$为凸。
多个凸集的交同理。

多个集合的并集不一定是凸集。

两点连接的线段并不在新集合里面。

二、仿射函数变换

仿射函数：
$f:R^n\to R^m$是仿射的当$f(x)=\text{A}x+b\text{A}\in R^{m\times n},b\in R^m$
凸集经过仿射函数变换仍然是凸集：
若$S\subset R^n$为凸，$f:R^n\to R^m$仿射，则 f ( S ) = { f ( x ) ∣ x ∈ S } f(S)=\lbrace f(x)\mid x\in S \rbrace f(S)={f(x)∣x∈S}为凸。

线性变换即为仿射变换。

例1：

缩放与移位是保持凸性的。
α S = { x ∣ x ∈ S } \alpha S = \lbrace x \mid x\in S\rbrace αS={x∣x∈S}

例2：

两个凸集的和是凸的。
S 1 + S 2 = { x + y ∣ x ∈ S 1 , y ∈ S 2 } S_1+S_2=\lbrace x+y\mid x \in S_1,y \in S_2 \rbrace S1​+S2​={x+y∣x∈S1​,y∈S2​}

凸集加非凸集有可能是凸集。

例3：

线性矩阵不等式$LMI$的解是凸集，即集合 { x ∣ A ( x ) ≤ B } \lbrace x \mid \textbf A(x) \le \textbf B\rbrace {x∣A(x)≤B}为凸。
线性矩阵不等式可以用凸优化技术来求解。

例4：

椭球是球的仿射映射。

个人思考

今天最主要的概念就是仿射变换，其实就是线性变换。线性变换具有很好的性质，不会改变集合的凸性。

纸质笔记