本文介绍了凸集的概念，包括仿射集、超平面、半空间、范数球和多面体等，并探讨了凸集的性质。接着，文章深入讨论了凸函数的定义、充要条件及其性质。凸函数的局部最优解即为全局最优解。文章还讲解了凸优化问题的特征和重要结论，并通过实例展示了如何将问题转化为凸优化问题，最后提到了利用CVX软件包求解此类问题的可能性。
4.1 凸集 convex sets
仿射集（Affine Sets）：如果一个集合 C ∈ R n C\in\mathbb{R}^n C∈Rn 是仿射的，则在C中两点的直线也在C中，若 x 1 ∈ C , x 2 ∈ C , 则 x = θ x 1 + ( 1 − θ ) x 2 ∈ C , θ ∈ R x_1\in C,x_2\in C,则x=\theta x_1+(1-\theta)x_2\ \in C,\theta \in R x1∈C,x2∈C,则x=θx1+(1−θ)x2 ∈C,θ∈R ，例如Ax=b的解集就是一个仿射集。
凸集：如果集合 C ∈ R n C\in\mathbb{R}^n C∈Rn 是凸集，如果C中两点间的线段也在C中，即 x = θ x 1 + ( 1 − θ ) x 2 ∈ C , θ ∈ [ 0 , 1 ] x=\theta x_1+(1-\theta)x_2\ \in C,\theta \in [0,1] x=θx1+(1−θ)x2 ∈C,θ∈[0,1] 。注意 θ \theta θ 取值范围的不同。
常见的凸集：
-
所有 R n \mathbb{R}^n Rn
-
所有 R + n \mathbb{R}_+^n R+n
-
超平面（Hyperplane）： C = { x ∣ a T x = b } C=\{x|a^Tx=b\} C={ x∣aTx=b} 既是仿射集又是凸集
-
半空间（Halfspace） C = { x ∣ a T x ≥ b } 或 C = { x ∣ a T x ≤ b } C=\{x|a^Tx\ge b\}或C=\{x|a^Tx\le b\} C={ x∣aTx≥b}或C={ x∣aTx≤b} 只是凸集
-
范数球：满足 ∥ x ∥ p ≤ 1 , p ≥ 1 \|x\|_p \le 1,\quad p\ge1 ∥x∥p≤1,p≥1的集合称为范数球。（依据范数的三角不等式可证）
但是 ∥ x ∥ p = 1 , p ≥ 1 \|x\|_p = 1,\quad p\ge1 ∥x∥p=1,p≥1 不是凸集。当 0 < p < 1 0<p<1 0<p<1 时， ∥ x ∥ p ≤ 1 \|x\|_p \le 1 ∥x∥p≤1 也不是凸集。
-
多面体（polyhedron）：有限个半空间和超平面的交集。（凸集的交集是凸集）
P = { x ∣ A x ≤ b , C x = d } , A ∈ R m × n , b ∈ R m , C ∈ R p ∗ n , d ∈ R p P=\{x|Ax\le b, Cx=d\},A\in R^{m\times n},b\in R^m, C \in R^{p*n}, d \in R^p P={ x∣Ax≤b,Cx=d},A∈
最低0.47元/天 解锁文章
1984
被折叠的 条评论
为什么被折叠?
到【灌水乐园】发言
