凸优化学习笔记(2)——凸函数

笔记是根据《Convex Optimization》写的，序号对应章。

3 凸函数

3.1 基本性质及例子
　　满足如下条件的从n维映射到1维的函数称凸函数：

$$f(θx+(1-θ)y)≤θf(x)+(1-θ)f(y)$$
其中 $0≤θ≤1$。凸函数的一维导数有如下性质：
$$f(y)≥f(x)+∇f(x)^T (y-x)$$
可以注意到其实等号右边是 $f$在 $x$上的一阶泰勒展开式。另外，凸函数的二阶导数大于或等于0。凸函数举例如下：
1) 指数函数 $e^{ax}$
2) 幂函数 $x^a$，其中 $x$大于或等于0，当 $a$不属于0-1范围内时为凸函数，否则为凹函数
3) 绝对值的幂函数 $|x|^a$，其中 $a>1$
4) 对数函数 $logx$
5) 负熵 $x logx$
6) 范数
7) 最大值函数 $max⁡(x)$
8) 二次-线性分式函数 f(x,y)=