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
⊆
R
n
X\subseteq R^n
X⊆Rn 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∑xiAi+j∑ujBj+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∑xiAi+j∑ujBj+C⪰0}
这个定义实际上说明了集合
X
X
X 可以用一个 LMI 表示,因而如果
X
X
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
X
X 为 SDP-Rep,则
min
x
∈
X
c
T
x
\min_{x\in X}c^Tx
minx∈XcTx 是一个 SDP 问题。
定义:如果如果函数
f
(
x
)
f(x)
f(x) 的 epigraph 是 SDP-Rep 的,那么函数
f
(
x
)
f(x)
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
)
f(x)
f(x) 为 SDP-Rep,则优化问题
min
x
f
(
x
)
\min_x f(x)
minxf(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 X,Y X,Y 都是 SDP-Rep 的
- Minkowski sum X + Y X+Y X+Y
- intersection X ∩ Y X\cap Y X∩Y
- Affine pre-image A − 1 ( X ) A^{-1}(X) A−1(X) if A A A is affine
- Affine map A ( X ) A(X) A(X) if A A 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