运筹学2凸分析
凸分析的基本概念
注意在我们的定义中,定义域 C 为凸集是函数 f : C → 现在我们介绍凸函数的几种拓展定义. 函数 f : C →
先决条件. 因此当称某函数为凸函数时, 通常默认其定义域为凸集. 函数 (strictly convex), 如果其满足式 (1.1) 且不等式处处被严格满足, 即 式 (1.1) 对所有满足 x = y 的向量 x, y ∈ C 及所有 α ∈ (0, 1) 都取不等号. 函数 f : C → 件是 C 为凸集. 一个凸函数的典型例子是仿射函数 (affine function),这类函数形如 f (x) = a x + b,其中 a ∈
n n
使得(x, w) ∈ epi(f ) ,
(自变量 x 的空间) 上的投影. 如果把 f 的定义
域限制为其有效定义域,函数的上图不变. 类似地,如果扩展 f 的定义域到 并对任意 x ∈ / X 定义函数值为 f (x) = ∞,新函数的上图和有效定义域 亦不变.
图 1.1.4 扩充实值的凸函数和非凸函数, 及其分别的上图和有效定义域.
1.1
凸集与凸函数
本章将介绍凸集合与凸函数相关的基本概念,这些内容将贯穿本书所 有的后续章节. 附录 A 列举了本书将用到的线性代数和实分析的定义、符 号和性质. 首先我们给出凸集合的定义如下 (见图 1.1.1). 定义 1.1.1
n
的子集 C 被称为凸集, 如果其满足 ∀ x, y ∈ C, ∀ α ∈ [0, 1]
n
0, j = 1 , · · · , r },
中的一组向量. 线性代数中介绍的子空间则是多面体
锥的一种特例, 同时多面体锥则是多面体的一种特例.
1.1.1
凸函数
现在我们给出实值凸函数的定义 (见图 1.1.3). 定义 1.1.2 令 C 为
第三章 凸分析2015
第三章 凸分析
2、判定: (1)根据图形判断: 凸函数的图形为下单峰,凹函数的图形为上单峰, 仿射函数的图形为直线。 (2)由二阶导信息:
一元 n元
凸函数 f”(x) ≥0 H(x) ≥0
凹函数 f”(x) ≤0 H(x) ≤0
2 f 其中H ( x) xi x j
第三章 凸分析
(Convex Analysis)
3.1 凸集与凸集分离定理 3.2 凸函数与次微分
第三章 凸分析
凸分析是上世纪60年代以后 ,由于数学规划、博弈论、数理 经济学、变分学等多方面需求而 发展起来的一个数学分支。 美国华盛顿州立大学的洛克 菲拉1970年所著凸分析为该分支 的早期发展做出了重要贡献。
第三章 凸分析
例3:设C为R n中不含原点的非空凸集。证明存在p R n, p 0,使对任意x C,都有pT x 0。 (首先说明:单点集和空集是凸集。)
存在一个超平面H x | pT x 把0 与C分离。 即对任意x C, 0 0,有:pT x ,pT 0 , pT x 0。 pT即为所求的向量。 (但,若此p使pT x ,该怎么办?)
思考题:理论的力量——例举10个数学理论对经济管理 学科发展做出重要贡献的例子。
第三章 凸分析
3.2 凸函数与次微分
一、凸函数
1、定义:设X 是R n中的凸集,f : X R1,若对于任 意的x,y X , [0,,有 1] f ( x (1 ) y ) f ( x) (1 ) f ( y ), 则称f 为X 上的凸函数;若以上不等式中不等号是严 格的,则称f 为严格凸函数;若函数( f )是凸函数, 则称f 是凹函数;若f 既是凸函数又是凹函数,则称 f 为仿射函数。
凸优化证明题
凸优化证明题摘要:一、引言二、凸优化基本概念1.凸函数2.凸优化问题三、凸优化证明方法1.解析法2.梯度下降法3.牛顿法四、凸优化证明题实例解析1.解析法实例2.梯度下降法实例3.牛顿法实例五、结论正文:一、引言凸优化是运筹学中的一个重要分支,它在很多领域都有广泛的应用,例如机器学习、信号处理、经济学等。
凸优化问题的解决可以帮助我们找到最优解,从而提高效率和降低成本。
在解决凸优化问题时,证明是一个关键环节。
本文将介绍凸优化证明题的解题方法。
二、凸优化基本概念1.凸函数凸函数是指在其定义域内,任意两点之间的函数值都大于等于这两点连线的函数。
凸函数的图像呈现出一种向上凸起的形状。
2.凸优化问题凸优化问题是指在给定凸函数目标函数和凸约束条件下,寻找一个最优解的问题。
凸优化问题的解具有最优性,即任意其他解都至少和最优解一样差。
三、凸优化证明方法1.解析法解析法是凸优化证明中最常用的方法。
它主要通过分析目标函数和约束条件的性质,推导出最优解的存在性和唯一性。
2.梯度下降法梯度下降法是一种迭代优化算法,它是解决凸优化问题的有效工具。
通过计算目标函数的梯度,并不断更新解的方向,最终可以收敛到最优解。
3.牛顿法牛顿法是一种二阶优化算法,它具有更快的收敛速度。
牛顿法通过计算目标函数的二阶梯度,并更新解的方向,同样可以收敛到最优解。
四、凸优化证明题实例解析1.解析法实例假设我们要解决以下凸优化问题:最小化:f(x) = x^2约束条件:g(x) = x - 1 ≤ 0我们可以通过解析法证明,该问题的最优解为x=1。
2.梯度下降法实例我们继续以上述凸优化问题为例,使用梯度下降法求解。
初始解:x0 = 2学习率:α= 0.1迭代次数:T = 100通过梯度下降法,我们可以得到最优解x≈1.0000。
3.牛顿法实例我们再以上述凸优化问题为例,使用牛顿法求解。
初始解:x0 = 2迭代次数:T = 10通过牛顿法,我们可以得到最优解x≈1.0000。
2凸分析
2. 凸集与凸函数
Df 2.5 非空凸集中的点 x 称为极点 极点,若 x=λx1+(1-λ)x2 , 极点 λ∈(0,1) , x1 ,x2 S, 则 x=x1=x2.换言之,x不能表示成S中两个不 同点的凸组合. x1 x S x5 x x4 x
2
y
x3
由上可知,任何有界凸集中任一点都可表成极点的凸组合.
2. 凸集与凸函数
Def 2.6. 设非空凸集S⊂Rn, Rn中向量d≠0 称为S的一个回收方 一个回收方 一个 向(方向 若对每一 x∈S, R(x.d)={x+λd| λ≥0 }⊂S.S的所有方向 方向), 方向 构成的尖锥称为S的回收锥,记为0+S 不同的方向,若对任意λ>0, 方向d1和d2 称为S的两个不同的方向 不同的方向 都有 d1≠λd2;方向d称为S的极方向extreme direction ,若 d=λd1+(1-λ)d2, λ∈(0,1),d1 ,d2 是S的两个方向,则有 d=d1=d2. 换言之d不能表成它的两个不同方向的凸锥组合 d x0 x0 d d
y
x3
2. 凸集与凸函数
命题2.2若集合S ⊆
Df 2.4设有集合C ⊂ 集,则称C为凸锥.
n
为凸集,则它的闭包S 也是凸集。
n
, 若对每一点x ∈ C ,当λ取
任何非负数时,都有λx ∈ C , 称C为锥, 又若C为凸
例2. ,向量集α(1), α(2),..., α(k)的所有非负线性组合 3 构成的集合 {∑ λ i α(i) λ i ≥ 0,i = 1,2,..., k}为凸锥。
2. 凸集与凸函数
• 2. 2 凸集分离定理
Df 2.7,设S1和S2是
数学中的凸优化与凸分析
数学中的凸优化与凸分析凸优化和凸分析是数学中重要的分支领域,它们在诸多应用领域都有着广泛的应用。
本文将介绍凸优化和凸分析的基本概念、性质以及它们在实际问题中的应用。
一、凸集与凸函数在进一步探讨凸优化和凸分析之前,我们先来了解一些基本概念。
首先是凸集和凸函数。
1. 凸集凸集是指集合中任意两点的连线上的点都属于该集合。
具体地,对于任意$x, y$属于集合$C$和$0\leq\lambda\leq 1$,满足$\lambda x+(1-\lambda)y$也属于$C$,则$C$是一个凸集。
2. 凸函数凸函数是定义在凸集上的实值函数,满足对于集合内的任意$x,y$和$0\leq\lambda\leq 1$,有$f(\lambda x+(1-\lambda)y)\leq \lambdaf(x)+(1-\lambda)f(y)$。
简单来说,凸函数的任意两点的连线上的函数值都不超过连线两端的函数值。
二、凸优化凸优化是指优化问题的目标函数是凸函数,约束条件是凸集的优化问题。
凸优化问题有着许多重要的性质和算法。
1. 凸优化问题的一般形式凸优化问题的一般形式可以表示为:$$\begin{align*}\text{minimize}\quad &f(x)\\\text{subject to}\quad &x\in C\end{align*}$$其中,$f(x)$是凸函数,$C$是凸集。
2. 凸优化问题的性质凸优化问题具有以下性质:(1)全局最优解是局部最优解。
这意味着在凸优化问题中,存在一个全局最优解,同时该最优解也是局部最优解。
(2)凸优化问题无局部最优解和全局最优解之间的鞍点。
凸优化问题不存在鞍点,因此可以通过寻找局部最优解来获得全局最优解。
3. 典型凸优化问题凸优化问题在实践中有着广泛的应用,以下是一些典型的凸优化问题:(1)线性规划问题(Linear Programming,简称LP)$$\begin{align*}\text{minimize}\quad &c^Tx\\\text{subject to}\quad &Ax\leq b\\&x\geq 0\end{align*}$$(2)二次规划问题(Quadratic Programming,简称QP)$$\begin{align*}\text{minimize}\quad &\frac{1}{2}x^TPx+q^Tx+r\\\text{subject to}\quad &Gx\leq h\\&Ax=b\end{align*}$$(3)半正定规划问题(Semidefinite Programming,简称SDP)$$\begin{align*}\text{minimize}\quad &\langle C,X\rangle\\\text{subject to}\quad &\langle A_i,X\rangle=b_i,\quad i=1,\ldots,m\\&X\succeq 0\end{align*}$$三、凸分析凸分析是研究凸集和凸函数性质的数学分支,它主要研究凸集的性质以及凸函数的导数和二阶导数。
fundamental of convex analysis
fundamental of convex analysis
摘要:
1.凸分析的基本概念
2.凸函数的性质
3.凸分析的应用
正文:
一、凸分析的基本概念
凸分析是数学中的一个分支,主要研究凸函数和凸集的性质。
在凸分析中,凸函数是指在其定义域内,对于任意的x 和y,如果x 在y 的左侧,那么函数值f(x) 总是小于等于f(y) 的函数。
而凸集则是指一个集合,它的任意两个元素做连接,这条线段上的所有点都属于该集合。
二、凸函数的性质
凸函数有许多重要的性质,这些性质可以方便我们在研究问题时使用。
以下是凸函数的一些基本性质:
1.凸函数的图像总是位于其定义域内的上半部分。
2.凸函数的导数总是非负的。
3.凸函数的极值点总是全局最优的。
这些性质使得凸函数在数学分析和实际应用中都有着重要的地位。
三、凸分析的应用
凸分析在许多领域都有广泛的应用,包括经济学、物理学、计算机科学等。
以下是一些凸分析的应用:
1.在经济学中,凸函数可以用来描述生产函数和需求函数,帮助我们理解
市场的行为。
2.在物理学中,凸函数可以用来描述物体的势能,帮助我们理解物体的运动。
3.在计算机科学中,凸函数可以用来描述数据的分布,帮助我们更好地理解数据。
最优化理论与算法(二)凸分析
• 多面集 {x|Ax0}也是凸锥,称为多面锥。
约定: 非空集合S生成的凸锥,是指可以表示成S中有限 个元素的非负线性组合(称为凸锥组合)的所有点所构成 的集合,记为coneS. 若S凸,则
coneS=K(S) ∪{0}
2013-11-10 9
2. 凸集与凸函数
Df 2.5 非空凸集中的点 x 称为极点,若 x=x1+(1-)x2 , (0,1) , x1 ,x2 S, 则 x=x1=x2.换言之,x不能表示成S中两个 不同点的凸组合. x1 x S x5 x x4
2013-11-10 4
2. 凸集与凸函数
Df 2.2 给定m个向量, x1 ,..., x m R n ,以及满足 i 1的
i 1 m
非负实数 i R, i 1,.., m, 称向量1 x1 ... m x m 为 {x1 , ..., x m }的凸组合.
2013-11-10
11
2. 凸集与凸函数
例2. 集合S {(x1 , x 2 ) x 2 | x1 | 4 凡是与向量(0,1)T 夹角 45的向量 都是它的方向。 T, 1,1)T 是其仅 (1,1) ( 有的两个极方向
Th2. 若多面体P的极点(极方向)存在的话,则极点 3 (极方向)的数目一定有限.
(2)函数f在开集intS内是连续的. (3)函数f的水平集L(f,)={x|x ∈ S,f(x) ≤}, ∈ R
运筹学-凸集、有限锥和Farkas选择(名校讲义)
§2 有限锥和Farkas选择(6)
三、Farkas选择 对任何一个方程必存在下述选择: (i)AX=b 具有解X≥0,否则 (ii)YTA≥0,YTb<0,具有解Y 即,对任一方程,上述2种情况必定且只能发生一种: 证明: 1.二者不会同时发生,否则会出现下述情况:YTA≥0,X≥0 YTA X≥0 YTb≥0与YTb<0矛盾。 2.若情况(i)失败,则(ii)必成立(发生)。证明如下: 若(i)失败,则b处在A产生的锥C之外(锥C是闭集),于是 可找到一个平面aTZ+β =0来严格分离C与b,即:
C x1a1 x2 a 2 xn a n:所有x j 0
§2 有限锥和Farkas选择(2)
即 C={AX:X≥0} (4) 当方程AX=b(X≥0)存在可行解,则b必处于锥C之中。 [例1-11] AX=b,X≥0,
2 A 1 0 1 - 1 2
(5)
§2 有限锥和Farkas选择(1)
考虑标准线性规划: AX=b,X≥0 (1) CTX=min (2) 我们定义满足式(1)的所有矢量为可行解矢量,若又使 CTX=min,则称为最优可行解矢量。 下面将重点讨论可行解矢量的几何意义。 一、可行解的几何解释 令A为m×n矩阵,C为A中列矢量的线性组合,系数xj≥0。则 (3) 集C称为有限矢量a1,a2,…,an组合的有限锥。
§2 有限锥和Farkas选择(7)
a Z 0
T
(Z C)
(Z b)
(9)
aT Z 0
(10)
在式(9)中,设置Z=A(X),其中X是任一大于或等于0的 固定矢量,是正数,则A(X)必在锥C内,可得 aT A(X)+β>0 (X≥0, >0) 用除之,且令→∞,得: aTAX≥0 (X≥0)
第三章 凸分析
第二节 凸函数与次微分
一 凸 数 、 函 、 义 设 R 的 集 f 若 于 1 定 : X是 n中 凸 , : X →R1, 对 任 意 x y ∈X, ∈[01, 的, λ , 有 ] f (λx +(1−λ) y) ≤ λ f (x) +(1−λ) f ( y), 则 f为 上 凸 数 若 上 等 中 等 是 称 X 的 函 ; 以 不 式 不 号 严 格 , 称 为 格 函 ; 函 (− f )是 函 , 的 则 f 严 凸 数 若 数 凸 数 则 f 是 函 ; f既 凸 数 是 函 , 称 称 凹 数 若 是 函 又 凹 数 则 f为 射 数 仿 函 。
∂2 f 其 H(x) = 中 即 H 正 。 H , (x) ≥ 0 为 (x)半 定 ∂x ∂x i j n×n
3 性 : f 是 区 (a b)上 凸 数 则 在 、 质 设 开 间 , 的 函 , f (a b)上 处 、 可 , 而 连 的 且 左 , 处 左 右 导 从 是 续 , 其 、 右 数 −'和 +'满 对 x1, 2 ∈(a b), 1 < x2, : 导 f f 足 任 x , x 有 f (x2 ) − f (x1) f (x1) ≤ f (x1) ≤ ≤ f−' (x2 ) ≤ f+' (x2 ) x2 − x1
3 下 我 看 个 明 合 凸 的 子 、 面 们 两 证 集 为 集 例 : 例: 明 性 划 可 域 ={ x∈Rn | Ax ≤ b x ≥ 0} 是 1 证 线 规 的 行 D , 一 凸 。 个 集 证 任 D 两 元 , 证 两 凸 合 属 D 可 : 取中 个 素 要 其 者 组 仍 于即 。 取 中 和, ∈[01。 有 , 则 : ] D x y λ [ 。 A λx +(1−λ) y] = λAx +(1−λ)Ay ≤ λb +(1−λ)b = b 而 x +(1−λ) y ≥ 0 故 x +(1−λ) y ∈D,所 D 一 凸 。 , λ 以 是 个 集 λ 例 : 任 ∈Rn, ≠ 0 α ∈R1, 合 ={x∈Rn | pT x =α} 集 H 2 对 p p , R 的 集 称 以 为 向 的 平 。 平 H是 n中 凸 。 为 p 法 量 超 面 超 面 因 对 x y ∈H, ∈[01, : 为 任, λ , 有 ] pT [λx +(1−λ) y] = λ pT x +(1−λ) pT y = λα +(1−λ)α =α, 说 λx +(1−λ) y ∈H。 明
运筹学第二讲ppt课件 31页
一个算法的执行时间大致上等于其所有语句执行时间的总和, 而语句的执行时间则为该条语句的重复执行次数和执行一次所需时 间的乘积。
语句的频度(Frequency Count):一条语句的重复执行次数。 △ 算法的执行时间=∑原操作(基本操作)的执行次数(频度)× 原操作的执行时间 △ 设每条语句一次执行的时间都是相同的,为单位时间。这 样我们对时间的分析就可以独立于软硬件系统。
lim T(n)/n3 lim (2n33n22n1)/n32
n
n
一个算法的时间复杂度(Time Complexity)是该算法的执行时
间,记作T(n),T(n)是该算法所求解问题规模n的函数。
当问题的规模趋向无穷大时,T(n)的数量级称为算法的渐近时
间复杂度,记作
T(n)=〇(f(n))
(3) x++;
(4) for(i=1;i<=n;i++)
T(n)=〇(n2)
(5) for(j=1jj<=n;j++)
(6)
y++;
例1.7 变量计数之二
ni j
ni
n
1j i(i1)/2
(1) x=1;
i1 j1 k1 i1 j1
i1
(2) for(i=1;i<=n;i++) [n(n1)(2n1)/6n(n1)/2]/2
它表示随问题规模n的增大,算法执行时间的增长率和f(n)的
增长率相同,简称时间复杂度。我们就是要找这个f(n) 。
例1.5 交换x和y的值。
temp=x;
第三章凸分析(管理数学基础)
3、下面我们看两个证明集合为凸集的例子: 例1:证明线性规划的可行域D x R n | Ax b,x 0 是 一个凸集。 证:任取D中两个元素,要证其两者凸组合仍属于D即可。 取D中x和y, [0,。则有: 1] A[ x (1 ) y ] Ax (1 ) Ay b (1 )b b。 而 x (1 ) y 0,故 x (1 ) y D, 所以D是一个凸集。 例2:对任p R n,p 0, R1,集合H {x R n | pT x } 称为以p为法向量的超平面。超平面H 是R n中的凸集。 因为对任x,y H, [0,,有: 1] pT [ x (1 ) y ] pT x (1 ) pT y (1 ) , 说明 x (1 ) y H。
第二节 凸函数与次微分
一、凸函数 1、定义:设X 是R n中的凸集,f : X R1,若对于任 意的x,y X , [0,,有 1] f ( x (1 ) y ) f ( x ) (1 ) f ( y ), 则称f 为X 上的凸函数;若以上不等式中不等号是严 格的,则称f 为严格凸函数;若函数( f )是凸函数, 则称f 是凹函数;若f 既是凸函数又是凹函数,则称 f 为仿射函数。
第三章 凸分析
第一节 凸集与凸集分离定理
一、凸集 1、定义:设集合C R n, 1,若C中任意两点x和y 0 的凸组合 x (1 ) y C,则称C是一个凸集。 2、几何意义:在二维中,x和y的凸组合 x (1 ) y即 为x和y的连线。所以在二维中,若集中任意两点连线段仍属 原集合,则原集合为凸集。
'
(3)求f (0): 由(2)有,f (0) [11] ,。
第七章 凸分析简介
第七章凸分析简介(本章内容取自[11])7.1基本概念凸集、凸函数、次梯度、集合的凸包、函数的凸包、法锥、切锥定义132.线性空间X的子集C称为凸集,如果:αx+(1−α)y∈C,∀x,y∈C,α∈[0,1].(7.1)空集定义为凸集。
定理133.凸集有如下基本性质:1.任意多个凸集的交还是凸集。
2.如果C1、C2是凸集,则C1+C2≡{x1+x2|x1∈C1,x2∈C2}也是凸集。
3.凸集的闭包和内部也是凸集。
4.凸集经仿射变换后还是凸集;凸集的仿射变换的原像也是凸集。
Proof.定义134.线性空间X的子集C称为锥,如果:λx∈C,∀x∈C,λ>0.(7.2)定义135.设X为点集,x i∈X,i=1,···,m,则m ∑i=1αi x i,αi≥0,m∑i=1αi=1,(7.3)m ∑i=1αi x i,m∑i=1αi=1,(7.4)m∑i=1αi x i,αi≥0(7.5)分别称为{x i}的凸组合、仿射组合和非负组合。
智能科学系教材——流形学习与稀疏表示定义136.设X为点集,则X的凸包为包含X的所有凸集的交。
它由所有X的点的凸组合构成,记作conv(X)。
定义137.设X为点集,则X的仿射包为包含X的所有仿射空间的交。
它由所有X的点的仿射组合构成,记作aff(X)。
aff(X)的维数称为X的维数。
定义138.设X为点集,由所有X的点的非负组合构成的集合称为X生成的锥,记作cone(X)。
定义139.设X⊂R m为点集,x∈X,B r(x)为中心在x、半径为r的m维球。
如果存在r>0使得B r(x)∩aff(X)⊂X,则称x为X的相对内点(relative interior)。
X的相对内点集记为ri(X)。
定义140.设C为凸集,f:C→R称为凸函数,如果:f(αx+(1−α)y)≤αf(x)+(1−α)f(y),∀x,y∈C,α∈[0,1].(7.6)函数g称为凹函数,如果−g是凸函数。
非线性最优化理论凸分析
非线性最优化理论和凸分析是数学领域中重要的两个分支,它们在优化问题和凸集合方面发挥着关键作用。
以下简要介绍它们的基本概念:
1. 非线性最优化理论:
-非线性最优化理论研究的是在目标函数或约束条件为非线性情况下的最优化问题。
-最优化问题可以形式化为找到使目标函数取得最大值或最小值的变量取值。
-非线性最优化问题通常包括局部最优解和全局最优解的寻找。
2. 凸分析:
-凸分析是研究凸集合和凸函数性质的数学分支。
-凸集合是对于任意两点的连线上的所有点都在该集合内的集合,而凸函数则满足在定义域内的任意两点间的函数值都在这两点连线上。
-凸集合和凸函数有许多重要性质,如局部最小值即为全局最小值等。
在实际应用中,非线性最优化理论和凸分析经常结合使用,尤其在机器学习、数据分析、工程优化等领域。
通过凸分析的方法,可以更好地理解和解决非线性最优化问题,帮助优化算法更快地收敛到最优解,并且保证最优解的准确性和稳定性。
凸分析与优化
伪正规的 hi:仿射的
《凸分析与最优化》,柏塞克斯著 不是伪正规的
28
有信息的拉格朗日乘子
• 由增强Fritz John条件得到的拉格朗日乘子具有一种特殊 的灵敏度性质: 它们指明违反约束是为了减小代价 • 我们称这些乘子是有信息的
• 命题:如果至少存在一个拉格朗日乘子向量,则存在一个 是有信息
《凸分析与最优化》,柏塞克斯著
30
关于X=R 的理论结构
独立约束梯度 线性约束 Mangasarian Fromovitz 条件
n
伪正规性
拉格朗日乘子的 存在性
有信息乘子的存在性
《凸分析与最优化》,柏塞克斯著 31
对X:正则性的理论的结构
新的拟Mangasarian Fromovitz条件 Slater 条件
伪正规性
拉格朗日乘子的 存在性
《凸分析与最优化》,柏塞克斯著
2
为什么凸在最优化中重要的 I
• 一个凸函数没有不为全局极小的局部极小值 • 一个非凸函数可以被“凸化的”同时保持全局极小值的最优 性 • 一个凸集有非空的相对内部 • 一个凸集在任何点具有可行方向
《凸分析与最优化》,柏塞克斯著
3
为什么凸在最优化中重要的 II
• 凸函数的极小值的存在可以非常方便地用收缩方向进行刻 画 • 一个多面体凸集可用它的极值点和极值方向来刻画
《凸分析与最优化》,柏塞克斯著
18
II 存在性与无对偶间隙的统一
《凸分析与最优化》,柏塞克斯著
19
闭集的嵌套族的交集
• 凸优化中的两个基本问题 -在集合X上达到一个函数的极小值 -存在对偶间隙 • 第一个问题是一个集合交集的问题: 极小值的集合是非空水平集族 • 第二个问题是一个下半连续问题: 假设F(x,u)是凸的且下半连续的,何时函数
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
帅天平
北京邮电大学数学系 Email:tpshuai@, Tel:62281308,Rm:主楼814
§2,凸分析与凸函数
TP SHUAI 1
2. 凸集与凸函数
•2.1 凸集与锥
Df 2.1 设S 为n维欧氏空间R 中的一个集合。若对 任意两点x (1) , x ( 2 ) S 及每个实数 [0,1], 有 x (1) (1- ) x ( 2 ) S 则称S 为凸集。x (1) (1 - ) x ( 2 ) 称为x (1) 和x ( 2 )的凸组合。
i 1 m
TP SHUAI
5
2. 凸集与凸函数
运用定义不难验证如下命题:
命题2.1 设S1和S2为R 中两个凸集, 是实数, 则
n
1,S1 {x x S1}为凸集。
2,S1 S2为凸集 (1) (2) (1) (2) 3,S1 S2 ={x +x x S1 ,x S2 }为凸集 (1) (2) (1) (2) 4,S1 S2 ={x -x x S1 ,x S2 }为凸集 Df 2.3 集合T R n的凸包是指所有包含T的凸集的
TP SHUAI 14
x
d1 0
d2
2. 凸集与凸函数
• 2. 2 凸集分离定理
Df 2.7,设S1和S2是R n中两个非空集合,H {x pT x } 为超平面。若对x S1 , 有pT x ,对于x S 2 , 有 pT x (或情形恰好相反),则称超平面H 分离集合 S1和S2 .若S1 S 2 H , 则称H 正常分离S1和S 2。若S1 H , S2 H , 则称H 严格分离S1和S 2。若 S1 H () {x | pT x }, 0, S 2 H , 则称H 强分离 S1和S2。
Th2.7 设S ( )为R n中的闭凸集,y S , 则存在p 0 及实数 0,使得对点x S , 有 pT y pT x。
TP SHUAI 20
2. 凸集与凸函数
证明提纲
x S, ||y-x||=inf xS ||y-x||
(i) (x- x )(y- x )0 对任意 xX. (ii) 令 p=y- x , =p Tp.
TP SHUAI
15
2. 凸集与凸函数
Df 2.8,设S ( ) R n , p R n,p 0, x S 若S H {x pT ( x x ) 0}或者S H - {x pT ( x x ) 0} 则称H {x pT ( x x )=0}是S 在x 处的支撑超平面,若S H , 则称H 为S 在x 处的正常支撑超平面。
x5 x x2
x4
y
x3
TP SHUAI 7
2. 凸集与凸函数
命题2.2若集合S Rn为凸集,则它的闭包S 也是凸集。
Df 2.4设有集合C R n , 若对每一点x C ,当取 任何非负数时,都有x C , 称C为锥, 又若C为凸 集,则称C为凸锥.
例2. 3,向量集(1), (2),..., (k)的所有非负线性组合 构成的集合 { i (i) i 0,i 1,2,..., k}为凸锥。
约定: 非空集合S生成的凸锥,是指可以表示成S中有限 个元素的非负线性组合(称为凸锥组合)的所有点所构成 的集合,记为coneS. 若S凸,则 coneS=K(S) ∪{0}
TP SHUAI 9
2. 凸集与凸函数
Df 2.5 非空凸集中的点 x 称为 极点 , 若 x=x1+(1-)x2 , (0,1) , x1 ,x2 S, 则 x=x1=x2.换言之,x不能表示成S中两个不 同点的凸组合. x1 x S x4 x5 x x
2
y
x3
由上可知,任何有界凸集中任一点都可表成极点的凸组合.
TP SHUAI
10
2. 凸集与凸函数
Def 2.6. 设非空凸集SRn, Rn中向量d0 称为S的一个回收方 向(方向), 若对每一 xS, R(x.d)={x+d| 0 }S.S的所有方向 构成的尖锥称为S的回收锥,记为0+S 方向d1和d2 称为S的两个不同的方向,若对任意>0, 都有 d1d2;方向d称为S的极方向extreme direction ,若 d=d1+(1-)d2, (0,1),d1 ,d2 是S的两个方向,则有 d=d1=d2. 换言之d不能表成它的两个不同方向的凸锥组合 d d d
x Rn
kK jJ k 1, k 0, k K , j 0, j J kK
k j
TP SHUAI 13
x k x j d
(3)指标集J是空集当且仅当P是有界集合,即多胞形.
2. 凸集与凸函数
p
X x x
y
TP SHUAI
21
2. 凸集与凸函数
(1)在连线xx(如图)上取一点x (1 )x, 则 y x y (x (1 )x) y x (x x)
2 2 2 2 2 2
y x x x 2(y x)(x x)
i=1 k
TP SHUAI
8
2. 凸集与凸函数
由定义可知,锥关于正的数乘运算封闭,凸锥关于加法 和正的数乘封闭,一般的,对于凸集S,集合 K(S)={λx|λ>0,xS} 是包含S的最小凸锥. 锥C称为尖锥,若0S.尖锥称为突出的,若它不包含 一维子空间. • 多面集 {x|Ax0}也是凸锥,称为多面锥。
2
(m)
y)
(k)
2
2 x
y 2 x
(m)
y (x
TP SHUAI
y) (x
(m)
y)
2
17
2. 凸集与凸函数
2 x 2 x
(k )
y 2 x y 2 x
2 2 2
2
(m)ห้องสมุดไป่ตู้
y 4
2
2
(x
(k )
x 2
(m)
)
2
y
(k )
(m)
y 4r 2
(m)
TP SHUAI
3
2. 凸集与凸函数
p x0 p x-x0 x0
x-x0
x
x
例2.2 集合L {x x x (0) d , 0}为凸集,其中d 为 给定的非零向量,x (0)为定点。
集合L {x x x (0) d , 0}称为射线,x (0)为射线的顶点
2. 凸集与凸函数
证明:令
inf y-x r 0
xS
于是,由下确界定义知,存在序列{x (k) }, x (k) S, 使得 y x (k) r.
先证{x (k) }存在极限x S.只须证{x (k) }为柯西数列。
x
(k)
x
(k)
(m) 2 2
(x
(k)
y) (x
TP SHUAI 4
2. 凸集与凸函数
Df 2.2 给定m个向量, x1 ,..., x m R n ,以及满足 i 1的
i 1
m
非负实数 i R, i 1,.., m, 称向量1 x1 ... m x m 为 {x1 , ..., x m }的凸组合.
Th2.1 集合S R n是凸集,当且仅当S 包含其中任意有限个 元素的凸组合,即对m R {1,2,...}, 任意的x1 ,..., x m R n , 有1 x1 ... m x m S , 其中 i 1, i 0 R, i 1,.., m.
TP SHUAI 19
2. 凸集与凸函数
Th2.6 设S R n的非空闭凸集,y S , 则点x S 为极小化问题 (2.4)的最优解当且仅且当( y - x)T ( x - x) 0
设S为闭凸集,y S,H {x | p T x }为超平面。 H分离点y 若pT y , 则p T x ,x S. 令pT y ,则y与S分离可表为 pT y pT x, x S.
n
TP SHUAI
2
2. 凸集与凸函数
例2.1 超平面H {x pT x }为凸集,其中p为n维列 向量,为实数。此外, 下面相对于法向量p的半空 间都是凸集 : 正的闭半空间H {x pT x } 负的闭半空间H - {x pT x } 正的开半空间H {x pT x } 负的开半空间H - {x pT x }
2( x
(k )
y r ) 2( x
y r 2 ) 0(k,m )
2
所以为柯西列,必有极限,且由S为闭集知。 此极限点必在S中。 下证明唯一性
TP SHUAI 18
2. 凸集与凸函数
ˆ S, 设有x ˆ y r. xy x 1 ˆ) 由S为凸集,有 ( x+x S, 由 Schwartz 不等式 2 1 1 1 ˆ ) x y x ˆ y r, y- ( x+x 2 2 2 1 1 1 ˆ ) x y x ˆ y r 再由r的定义 y- ( x+x 2 2 2 ˆ || y x ||| ||| y x ˆ || y x (y x) | | 1 1,因否则导出y S, 矛盾。
Df 2.9
设S R n非空,y R n , 则点y与集合S 之间的 dist (y, S ) inf y - x
xS
距离dist ( y, S )定义为 (2.4)
Th2.5设S为R n中的闭凸集,y S,则存在唯一的点x S, 使得 y-x inf y-x