凸函数的定义、性质以及判别

最新推荐文章于 2023-12-31 01:38:20 发布

滴水札记

最新推荐文章于 2023-12-31 01:38:20 发布

阅读量5w

点赞数 16

分类专栏：非线性优化文章标签：非线性优化凸规划凸函数

本文链接：https://blog.csdn.net/mjie_liang/article/details/21873981

版权

5 篇文章 1 订阅

订阅专栏

凸函数有很好的极值性质，这使其在非线性规划中占有重要的地位。凹函数与凸函数相似，凸函数具有全局极小值，凹函数具有全局极大值。因为两者很方便进行转换，我们以凸函数为例作介绍。

1. 凸函数的定义

要定义凸函数，首先必须要对凸集有所了解。

凸集给定集合以及其中的任意两个元素 $\mathbf{x}^{(1)}$ 和 $\mathbf{x}^{(2)}$ ，即 $\mathbf{x}^{(1)}\in S$ 且 $\mathbf{x}^{(2)}\in S$ ，若对任意实数 $\lambda\ (0<\lambda<1)$ ，恒有

$\lambda \mathbf{x}^{(1)} + (1-\lambda)\mathbf{x}^{(2)} \in S$

则称为凸集。

凸函数 设 $f(\mathbf{x})$ 为定义在n维欧氏空间 $\mathbb{R}^n$ 中某个凸集上的函数，若对任意实数 $\lambda\ (0<\lambda<1)$ 以及中的任意两点 $\mathbf{x}^{(1)}$ 和 $\mathbf{x}^{(2)}$ ，恒有

$f(\lambda \mathbf{x}^{(1)} + (1-\lambda)\mathbf{x}^{(2)})\le \lambda f(\mathbf{x}^{(1)})+(1-\lambda)f(\mathbf{x}^{(2)})$

则称 $f(\mathbf{x})$ 为定义在凸集上的凸函数。

如对每一个 $\lambda\ (0<\lambda<1)$ 以及上任意两点 $\mathbf{x}^{(1)}$ 和 $\mathbf{x}^{(2)}$ ，恒有

$f(\lambda \mathbf{x}^{(1)} + (1-\lambda)\mathbf{x}^{(2)}) < \lambda f(\mathbf{x}^{(1)})+(1-\lambda)f(\mathbf{x}^{(2)})$

则称 $f(\mathbf{x})$ 为定义在凸集上的严格凸函数。

线性函数既是凸函数又是凹函数，但都不是严格凸函数和严格凹函数。

性质1 设 $f(\mathbf{x})$ 为定义在凸集上的凸函数，则对任意实数 $\beta\ge 0$ ，函数 $\beta f(\mathbf{x})$ 也是定义在凸集上的凸函数。

性质2 设 $f_1(\mathbf{x})$ 和 $f_2(\mathbf{x})$ 都是定义在凸集上的凸函数，则函数 $f_1(\mathbf{x}) + f_2(\mathbf{x})$ 也是定义在凸集上的凸函数。

性质3 设 $f(\mathbf{x})$ 为定义在凸集上的凸函数，则对任意实数 $\beta$ ，集合 $S_{\beta}=\{\mathbf{x}|\mathbf{x}\in S, f(\mathbf{x})\le \beta\}$ 是凸集。

性质4 设 $f(\mathbf{x})$ 为定义在凸集上的凸函数，则 $f(\mathbf{x})$ 的任一个极小点就是它在上的全局极小点，而且所有极小点的集合是凸集。

判断一个函数是否为凸函数，最基本的方法是使用其定义。但对可微函数，下面介绍的两个判定定理可能更为有效。

一阶判定条件 设 $f(\mathbf{x})$ 在凸集上具有一阶连续偏导数，则 $f(\mathbf{x})$ 为上凸函数的充分必要条件是，对中任意两点 $\mathbf{x}^{(1)}$ 和 $\mathbf{x}^{(2)}$ ，恒有

$f(\mathbf{x}^{(2)})\ge f(\mathbf{x}^{(1)})+\nabla f(\mathbf{x}^{(1)})^\mathrm{T}(\mathbf{x}^{(2)}-\mathbf{x}^{(1)})$

二阶判定条件 设 $f(\mathbf{x})$ 在开凸集上具有二阶连续偏导数，则 $f(\mathbf{x})$ 为上凸函数的充分必要条件是， $f(\mathbf{x})$ 的海赛矩阵 $\nabla^2 f(\mathbf{x})$ 在上处处半正定。

关注