本文回顾了凸函数的定义，并详细探讨了在高维情况下的证明，强调了二阶导数在判断凸函数中的作用。内容包括凸函数的微分特性，以及二阶可微情况下函数凸性的充分必要条件。最后讨论了Hessian矩阵和严格凸函数的概念。
全部笔记的汇总贴（视频也有传送门）：中科大-凸优化
一、凸函数的定义（复习）
-
f : R n → R f:\R^n\rightarrow\R f:Rn→R 为凸函数 ⇔ d o m f \Leftrightarrow dom f ⇔domf为凸集
∀ x , y ∈ d o m f , 0 ≤ θ ≤ 1 有 f ( θ x + ( 1 − θ ) y ) ≤ θ f ( x ) + ( 1 − θ ) f ( y ) \forall x,y\in dom f,0\le\theta\le1有f(\theta x+(1-\theta)y)\le\theta f(x)+(1-\theta)f(y) ∀x,y∈domf,0≤θ≤1有f(θx+(1−θ)y)≤θf(x)+(1−θ)f(y) -
（高维情况） f : R n → R f:\R^n\rightarrow\R f:Rn→R为凸函数 ⇔ d o m f \Leftrightarrow dom f ⇔domf为凸集 ∀ x ∈ d o m f ∀ 方 向 向 量 v g ( t ) = f ( x + t v ) 为 凸 函 数 d o m g = { t ∣ x + t v ∈ d o m f } （ 降 维 ） \forall x\in dom f\;\;\;\forall 方向向量v\\g(t)=f(x+tv)为凸函数\;\;dom \;g=\{t|x+tv\in dom f\}（降维） ∀x∈domf∀方向向量vg(t)=f(x+tv)为凸函数domg={ t∣x+tv∈domf}（降维）
-
f : R n → R f:\R^n\rightarrow\R f:Rn→R为凸函数 ⇔ d o m f \Leftrightarrow dom f ⇔domf为凸集
若 f f f可微， ∀ x , y ∈ d o m f , f ( y ) ≥ f ( x ) + ∇ f T ( x ) ( y − x ) \forall x,y\in dom f,f(y)\ge f(x)+\nabla f^T(x)(y-x) ∀x,y∈domf,
最低0.47元/天 解锁文章
扫一扫
8188
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
