上篇博客开始了我的凸优化之旅,介绍了凸集和凸函数的定义,这篇博客给出凸函数非常有用的性质和判别条件,并给出其数学证明,同时给出强凸函数定义。
首先勘误一下上篇博客关于严格凸的定义,其条件不是 λ ∈ [ 0 , 1 ] \lambda \in [0,1] λ∈[0,1],而是 λ ∈ ( 0 , 1 ) \lambda \in (0,1) λ∈(0,1)
1、性质1:局部最优就是全局最优
证明: 利用反证法进行证明,假设 f ( x ∗ ) f(x^*) f(x∗)为找到的一个局部最小值,假设还存在一个 f ( x n ) f(x_n) f(xn)更小,即
f ( x ∗ ) > f ( x n ) f(x^*)>f(x_n) f(x∗)>f(xn)
则在凸集 S S S上,由凸函数定义有
f ( x ∗ + λ ( x n − x ∗ ) ) ≤ λ f ( x n ) + ( 1 − λ ) f ( x ∗ ) f(x^*+\lambda (x_n-x^*))\leq \lambda f(x_n)+(1-\lambda)f(x^*) f(x∗+λ(xn−x∗))≤λf(xn)+(1−λ)f(x∗)
其中 λ ∈ [ 0 , 1 ] \lambda \in [0,1] λ∈[0,1],如果令 λ \lambda λ不为0,则 f ( x ∗