本文是中科大凸优化课程的笔记，重点讲解了如何保持函数的凸性，包括非负加权和的凸性、两个函数的极大值函数以及无限个凸函数的极大值。举例说明了f(x)=max{x^2,x}、向量中r个最大元素的和以及实对称矩阵的最大特征值的求解。内容深入浅出，适合对凸优化感兴趣的读者学习。"
107560708,9925874,Python爬虫与数据分析入门,"['Python', '数据分析', '爬虫', '数据可视化', 'Jupyter Notebook']
全部笔记的汇总贴（视频也有传送门）：中科大-凸优化
一、保持函数凸性
非负加权和： f 1 , ⋯ , f n f_1,\cdots,f_n f1,⋯,fn为凸，则 f = ∑ i = 1 m w i f i f=\sum_{i=1}^mw_if_i f=∑i=1mwifi为凸，若 w i ≥ 0 , ∀ i w_i\ge0,\forall i wi≥0,∀i
1.定义域是凸集 2.不等式
若 f ( x , y ) f(x,y) f(x,y)，对任意 y ∈ A , f ( x , y ) y\in A,f(x,y) y∈A,f(x,y)均为凸 ( x , y ) j o i n t l y c o n v e x (x,y)\;\;\;\;jointly\;convex (x,y)jointlyconvex
设 w ( y ) ≥ 0 , ∀ y ∈ A , g ( x ) = ∫ y ∈ A w ( y ) f ( x , y ) d y w(y)\ge 0,\forall y\in A,g(x)=\int_{y\in A}w(y)f(x,y){d}y w(y)≥0,∀y∈A,g(x)=∫y∈Aw(y)f(x,y)dy为凸
仿射映射： f : R n → R , A ∈ R n ∗ m , b ∈ R n , g ( x ) = f ( A x + b ) d o m g = { x ∣ A x + b ∈ d o m f } f:\R^n\rightarrow\R,A\in\R^{n*m},b\in\R^n,g(x)=f(Ax+b)\;\;dom \;g=\{x|Ax+b\in dom f\} f:Rn→R,A∈Rn∗m,b∈Rn,g(x)=f(Ax+b)domg={ x∣Ax+b∈domf}
证明：令 x , y ∈ d o m g , 0 ≤ θ ≤ 1 x,y\in dom\;g,0\le\theta\le1 x,y∈domg,0≤<
最低0.47元/天 解锁文章
扫一扫
4227
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
