CMU Convex Optimization(凸优化)笔记1--凸集和凸函数

CMU凸优化笔记--凸集和凸函数

结束了一段时间的学习任务,于是打算做个总结。主要内容都是基于CMU的Ryan Tibshirani开设的Convex Optimization课程做的笔记。这里只摘了部分内容做了笔记,很感谢Ryan Tibshirani在官网中所作的课程内容开源。也很感谢韩龙飞在CMU凸优化课程中的中文笔记,我在其基础上做了大量的内容参考。才疏学浅,忘不吝赐教。

1、凸集合

1.1 基本概念

定义:给定一个集合$C \subseteq \mathbb{R}^n $,满足下列条件则称为凸集

$x,y \in C  \Rightarrow tx+(1-t)y \in C $ 对于任意的 $ 0 \leq t \leq 1$

直观上看,可以利用下图帮助理解,假定我们的变量在二维空间中,$x,y$为二维空间变量,黑体线代表的向量为$tx+(1-t)y$,$t$取值范围为$[0,1]$,那么无论t怎么变化,向量$tx+(1-t)y$总会落在$x$和$y$张成的集合空间中。

CMU Convex Optimization(凸优化)笔记1--凸集和凸函数

那么从定义出发,我们也能知道非凸集的情况,下图左侧为凸集,右图为非凸集

CMU Convex Optimization(凸优化)笔记1--凸集和凸函数

一句话来概括凸集就是集合内任意两点间连线依旧在集合内。

1.2  凸集简单例子

凸包(convex hull):给定集合内的任意$k$个元素$x_1,...,x_k \in \mathbb{R}^n$,任意的线性组合形式:

$\theta_1 x_1+...+\theta_k x_k,\theta_i \leq,i=1,...,k$ 并且$ \sum_{i=1}^{k}\theta_i=1$。称之为集合的convex hull,表示为$conv(C)$。convex hull总是凸的。可以直观认为凸包就是最外围的元素所围成的集合外壳,下图是两个凸包的例子:

CMU Convex Optimization(凸优化)笔记1--凸集和凸函数

空集、点、线都是凸集合

范数球(Norm ball): 半径为$r$的范数球为:$\left \{x:||x|| \leq r \right \}$

超平面(Hyperplane): 给定任意$a,b$ ,$\left \{x:a^Tx=b \right \}$

半空间(Half space): $\left \{x:a^Tx \leq b \right \}$

仿射空间(Affine space):$\left \{x:Ax = b \right \}$

多面体(Polyhedron):$\left \{x:Ax \leq b \right \}$,下图为多面体

CMU Convex Optimization(凸优化)笔记1--凸集和凸函数

Note:集合$\left \{x:Ax \leq b,Cx=d \right\}$也是一个Polyhedron吗?

Answer:是的。因为对于任意的$Cx=d$,都可写成$Cx \leq d$ 与$-Cx \leq -d$,这样就和$Ax \leq b $形式一致。

1.3  锥(Cone):

定义:给定$C \in \mathbb{R}^n $,满足$x \in C \Rightarrow tx\in C$ 对于任意$ t\geq 0$称之为锥。

凸锥(convex cone):$x_1,x_2 \in C \Rightarrow t_1 x_1+t_2 x_2 \in C $,对于任意$ t_1,t_2 \geq 0$都成立,那么称集合$C$为凸锥。显然凸锥是锥的一种。

CMU Convex Optimization(凸优化)笔记1--凸集和凸函数

例子:

范数锥(Norm cone):$\left \{(x,t):||x|| \leq t \right \}$,对于一范数和二范数成立。下图取定不同的$t$做出了三维情况下的图:

CMU Convex Optimization(凸优化)笔记1--凸集和凸函数

正规锥(Normal cone):给定任意集合$C$,集合内任意一点$x \in C$,定义:

$\mathbb{N}_c(x)=\left \{g:g^Tx \geq g^Ty ,for \quad any \quad y \in C \right \}$

其含义是指Normal cone中的点与集合$C$内的点的内积永远大于集合内任意点与Normal cone内点的内积。如下图所示:

CMU Convex Optimization(凸优化)笔记1--凸集和凸函数

1.4  凸集的一些特性

 可分离超平面理论(Separating hyperplane theorem):两个不相交的凸集总存在一个超平面能将两者分离,如果$C \bigcap D =  \varnothing $,那么总存在着$a,b$使得有:

$C \subseteq \left \{x:a^Tx \leq b \right \}$ ,$D \subseteq \left \{x:x^T \geq b \right \}$。如下图所示:

CMU Convex Optimization(凸优化)笔记1--凸集和凸函数

内容版权声明:除非注明,否则皆为本站原创文章。

转载注明出处:https://www.heiqu.com/zzxszx.html