凸优化学习-（八）保持集合凸性的操作

凸优化学习

今天依然是保持函数凸性的操作。

学习笔记

一、透视函数 Perspective function

凸集经过透视函数变换仍然是凸集。
形如：$$p(z,t)=\frac{z}{t}\text{dom}f=R^n\times R_{++}z\in R^{n}t\in R_{++}$$
其中，$t$是$n$维向量中的最后一个元素。
透视函数可以这么理解，它实际上就是将所有分量除以最后一个分量，然后再去掉最后一个分量，以达到降维的目的。形象点理解，有点像从高维空间透过这个函数降下在低维空间的投影。

例1：

图一

考虑一个二维函数，有透视函数$$p(x_1,x_2)$$对于$\overrightarrow{(x_1,x_2)}$这个二维向量，在$x_2=-1$上的透视为$(-\frac{x_1}{x_2},-1)$,失去了$x_2$这一维。

例2：

考虑$R^{n+1}$有向线段$$\theta x+(1-\theta )y$$其中$$\begin{gathered} 0\le \theta \le 1 \\ x=(\tilde{x},x_{n+1})\tilde{x}\in R^n{x}_{n+1}\in R_{++} \\ y=(\tilde{y},y_{n+1})\tilde{y}\in R^n{y}_{n+1}\in R_{++} \end{gathered}$$
结论：
任意线段的透视仍然是线段。

例3：

任意凸集的反透视函数映射仍是凸集。
反透视函数，形如：
p − 1 ( c ) = { ( x , t ) ∈ R n + 1 ∣ x t ∈ c , t > 0 } p^{-1}(c)=\lbrace (x,t) \in R^{n+1}\mid \frac{x}{t}\in c,t>0\rbrace p−1(c)={(x,t)∈Rn+1∣tx​∈c,t>0}

二、线性分数函数变化后也是凸。

可以理解为先仿射，再透视，不改变凸性。
线性分数函数，形如：
$$\begin{gathered} g(x)=\left[\begin{array}{c}A\\ C^T\end{array}\right]x+\left[\begin{array}{c}b\\ d\end{array}\right] \\ A\in R^{m\times n}b\in R^{m}c\in R^{n}d\in R \end{gathered}$$
其中：
$$g=R^n\to R^{n+1}$$
为仿射映射。

个人思考

这两天所学多是凸集保持凸性的操作，实质上是很重要的，因为凸问题本身要求可行解集是凸集。我们在进行可行解集处理的时候一定要注意不要改变本身的凸性。

纸质笔记