凸优化第三章凸函数 3.2保凸运算

最新推荐文章于 2022-10-19 10:03:35 发布

「已注销」

最新推荐文章于 2022-10-19 10:03:35 发布

阅读量4.2k

点赞数 6

分类专栏：凸优化

本文链接：https://blog.csdn.net/wangchy29/article/details/86531299

版权

本文详细介绍了凸优化中的保凸运算，包括非负加权求和、复合仿射映射、逐点最大和逐点上确界、复合函数以及透视函数。举例并证明了这些运算如何保持函数的凸性，特别是对于最大r个分量之和的函数和通过最小化凸函数得到的新函数，展示了它们的凸性特性。

摘要由CSDN通过智能技术生成

3.2保凸运算

非负加权求和
复合仿射映射
逐点最大和逐点上确界
复合
最小化函数
透视函数

非负加权求和

凸函数的非负加权求和得到的函数仍为凸函数

如果 $f_1(x),f_2(x)\cdots f_n(x)$ 均为凸函数， $\forall \, \alpha_i\geq 0,i=1,2\cdots n$ ， $f(x)=\alpha_1 f_1(x)+\alpha_2 f_2(x)+\cdots +\alpha_n f_n(x)$ 仍为凸函数。

证明：

$\forall x_1,x_2\in dom(f),\forall \theta \in [0,1]$ $h(x)=x$

$f(\theta x_1+(1-\theta)x_2)=\sum _{i=1}^n \alpha_i f_i(\theta x_1+(1-\theta)x_2)$

因为 $f_1(x),f_2(x)\cdots f_n(x)$ 是凸函数，故

$\sum _{i=1}^n \alpha_i f_i(\theta x_1+(1-\theta)x_2)\leq \sum _{i=1}^n\alpha_i (\theta f_i(x_i)+(1-\theta)f_i(x_2))$

$\sum _{i=1}^n\alpha_i (\theta f_i(x_i)+(1-\theta)f_i(x_2))=\sum _{i=1}^n \theta \alpha_i f_i(x_1)+(1-\theta)\alpha_i f_i(x_2)$

$=\theta \sum _{i=1}^n \alpha_i f_i(x_1)+(1-\theta)\sum _{i=1}^n\alpha_i f_i(x_2)=\theta f(x_1)+(1-\theta) f(x_2)$

$\Rightarrow f(\theta x_1+(1-\theta)x_2)\leq \theta f(x_1)+(1-\theta) f(x_2)$

得证

例子：

$f(x)=-\sum _{i=1}^n log(b_i-a_i^Tx)\, \, dom(f)=\left \{ x|a_i^Tx< b_i,i=1,2\cdots m \right \}$

复合仿射映射

f(Ax+b),如果f是凸函数，f(Ax+b)也是凸

最低0.47元/天解锁文章

「已注销」

关注

6
点赞
踩
18

收藏

觉得还不错? 一键收藏
0
评论
凸优化第三章凸函数 3.2保凸运算

3.2保凸运算非负加权求和复合仿射映射逐点最大和逐点上确界复合最小化函数透视函数非负加权求和凸函数的非负加权求和得到的函数仍为凸函数如果均为凸函数，，仍为凸函数。证明：因为是凸函数，故得证例子：复合仿射映射f(Ax+b),如果f是凸函数，f(Ax+b)也是凸函数，如果f是凹函数，f(Ax+b)也是凹函数。逐点...
复制链接

扫一扫

专栏目录