凸函数和凸优化

        这个问题本来应该在我大二下的时候就彻底搞明白，结果一直拖到现在了。最近在上智能优化算法及理论这门课，于是打算详细地了解一下并记录下来。

        凸函数Convex Function：设f(x)是定义在凸集S上的函数，若对任意实数0<=a<=1以及任意两点x,yS,有： ，则称f(x)是凸集S上的凸函数。当时为严格凸函数。

         在介绍凸优化前你需要先了解一些基本概念，如果你学习过数学建模的话应该肯定掌握了这些知识，我这里大概提一下吧。最基本数学建模由三个部分组成：决策变量、目标函数和约束条件，根据下图来大概解释一下：

         如果需要知道详细概念可以自己去查，我说一下我的理解：决策变量就相当于高中所学的因变量，在一元一次函数中可以理解为x，二元函数中理解为x，y，差不多就是会影响需要求的结果的变量；目标函数就是你要求的结果，在一元函数中理解成y，在二元函数中理解为z，相当于所谓的f(x)，但一般根据题目要求设定是取最大还是最小，比如上图中取的就是min f(x)；约束条件就是对决策变量的一些限制，类别有很多，比如决策变量只能取0或1，只能取整数，一个函数下的限制范围啥的，比如上图中取的g(x)<=0和h(x)=0。

        凹函数Concave Function：负的凸函数。

        线性函数既是凸函数也是凹函数。

        凸优化Convex Optimization：在最小化问题中，如果目标函数和可行域分别为凸函数和凸集的话，这个问题就是凸优化问题，但凡有一个不是都只能说是非凸优化问题。

        就先说这么多吧，之后再细说算法。