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
S_1,S_2
S1,S2为凸,则
S
1
∩
S
2
S_1\cap S_2
S1∩S2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
→
R
m
f:R^n \rightarrow R^m
f:Rn→Rm是仿射的当
f
(
x
)
=
A
x
+
b
A
∈
R
m
×
n
,
b
∈
R
m
f(x)=\textbf A x+b\ \ \textbf A \in R^{m×n},b\in R^m
f(x)=Ax+b A∈Rm×n,b∈Rm
凸集经过仿射函数变换仍然是凸集:
若
S
⊂
R
n
S\subset R^n
S⊂Rn为凸,
f
:
R
n
→
R
m
f:R^n\rightarrow R^m
f:Rn→Rm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
L
M
I
LMI
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。