凸优化学习笔记 14：SDP Representablity

这一节简单介绍一个 SDP Representablity（SDP-Rep），这个概念的提出主要是为了便于判断某个问题是否可以转化为 SDP 优化问题。

定义：集合 $X\subseteq R^n$ 是 SDP-Rep 的，如果他可以表示为
X = { x ∣ there exist  u ∈ R k  such that for some  A i , B j , C ∈ R m × m : ∑ i x i A i + ∑ j u j B j + C ⪰ 0 } X=\{x| \text{there exist }u\in R^k \text{ such that for some } \\A_i,B_j,C\in R^{m\times m}:\sum_i x_iA_i+\sum_j u_jB_j +C \succeq0 \} X={x∣there exist u∈Rk such that for some Ai​,Bj​,C∈Rm×m:i∑​xi​Ai​+j∑​uj​Bj​+C⪰0}
注：它实际上就是下面集合的一个子空间投影
{ ( x , u ) ∣ ∑ i x i A i + ∑ j u j B j + C ⪰ 0 } \{(x,u)|\sum_i x_iA_i+\sum_j u_jB_j +C \succeq0\} {(x,u)∣i∑​xi​Ai​+j∑​uj​Bj​+C⪰0}
这个定义实际上说明了集合 $X$ 可以用一个 LMI 表示，因而如果 $X$ 为优化问题的定义域，则该定义域可以用一个 SDP 约束条件来表示。例如：如果 $X$ 为 SDP-Rep，则 ${\min }_{x\in X}{c}^{T}x$ 是一个 SDP 问题。

定义：如果如果函数 $f(x)$ 的 epigraph 是 SDP-Rep 的，那么函数 $f(x)$ 就是 SDP-Rep
epi ( f ) = { ( x 0 , x ) ∣ f ( x ) ≤ x 0 } \text{epi}(f)=\{(x_0,x)|f(x)\le x_0\} epi(f)={(x0​,x)∣f(x)≤x0​}
该定义表明，如果 $f(x)$ 为 SDP-Rep，则优化问题 ${\min }_{x}f(x)$ 是一个 SDP 问题。

对 SDP-Rep 集合进行一些变换之后仍然是 SDP-Rep 的：如果 $X,Y$ 都是 SDP-Rep 的

• Minkowski sum $X+Y$
• intersection $X\cap Y$
• Affine pre-image $A^{-1}(X)$ if $A$ is affine
• Affine map $A(X)$ if $A$ is affine
• Cartesian product X × Y = { ( x , y ) ∣ x ∈ X , y ∈ Y } X\times Y=\{(x,y)|x\in X,y\in Y\} X×Y={(x,y)∣x∈X,y∈Y}

最后给我的博客打个广告，欢迎光临
https://glooow1024.github.io/
https://glooow.gitee.io/

前面的一些博客链接如下
凸优化专栏
凸优化学习笔记 1：Convex Sets
凸优化学习笔记 2：超平面分离定理
凸优化学习笔记 3：广义不等式
凸优化学习笔记 4：Convex Function
凸优化学习笔记 5：保凸变换
凸优化学习笔记 6：共轭函数
凸优化学习笔记 7：拟凸函数 Quasiconvex Function
凸优化学习笔记 8：对数凸函数
凸优化学习笔记 9：广义凸函数
凸优化学习笔记 10：凸优化问题
凸优化学习笔记 11：对偶原理
凸优化学习笔记 12：KKT条件
凸优化学习笔记 13：KKT条件 & 互补性条件 & 强对偶性
凸优化学习笔记 14：SDP Representablity
凸优化学习笔记 15：梯度方法