最優化基礎(四)

2022-09-12 17:51:12 字數 2521 閱讀 5237

定義: 設集合d⊂

rn. 稱集合

d為凸集, 是指對任意的x,

y∈d及任意的實數λ∈

[0,1

], 都有λx

+(1−

λ)y∈

d.定義: 集合d⊂

rn的凸包(convex hull) 是指所有包含

d 的凸集的交集,記為 co

nv(d

):=∩c

⊇dc其中

c為凸集

定義: 設非空集合c⊂

rn. 若對任意的x∈

c 和任意的實數

λ>0,有

λx∈c

, 則稱

c 為乙個錐(cone). 若

c 同時也是凸集, 則稱

c為乙個凸錐(convex cone). 此外, 對於錐

c, 若0∈

c, 則稱

c 是乙個尖錐(pointed cone). 相應地, 包含0 的凸錐稱為尖凸錐.**

定義:設函式f:

d⊂rn

→r, 其中

d 為凸集.

(1) 稱f 是

d上的凸函式, 是指對任意的x,

y∈d及任意的實數λ∈

[0,1

], 都有 f(

λx+(

1−λ)

y)≤λ

f(x)

+(1−

λ)f(

y)(2) 稱f是

d上的嚴格凸函式, 是指對任意的x,

y∈d,

x≠y及任意的實數λ∈

[0,1

], 都有 f(

λx+(

1−λ)

y)<λf

(x)+

(1−λ

)f(y

)(3) 稱f是

d 上的一致凸函式, 是指存在常數

γ>

0, 使對任意的x,

y∈d 及任意的實數λ∈

[0,1

], 都有 f(

λx+(

1−λ)

y)+1

2λ(1

−λ)γ

∥x−y

∥2≤λ

f(x)

+(1−

λ)f(

y)定理: 設

f 在凸集d⊂

rn上一階連續可微,則

(1) f在

d上為凸函式的充要條件是 f(

x)≥f

(x∗)

+∇f(

x∗)t

(x−x

∗),∀

x∗,x

∈d(2) f在

d上為嚴格凸函式的充要條件是,當x≠

y時,成立 f(

x)>f(

x∗)+

∇f(x

∗)t(

x−x∗

),∀x

∗,x∈

d(3) f在

d上一致凸的充要條件是,存在常數

c>

0,使對任意的x∗

,x∈d

,成立 f(

x)≥f

(x∗)

+∇f(

x∗)t

(x−x

∗)+c

∥x−x

∗∥2定義: 設

n元實函式

f 在凸集

d上是二階連續可微的. 若對一切h∈

rn, 有ht∇

2f(x

)h≥0

,則稱∇2f

在點x處是半正定的. 若對一切0≠

h∈rn

, 有ht∇

2f(x

)h>

0,則稱∇2

f 在點

x處是正定的. 進一步,若存在常數

c>

0, 使得對任意的h∈

rn,x

∈d, 有ht∇

2f(x

)h≥c

∥h∥2

,則稱∇2f

在d上是一致正定的.**

定理:設

n 元實函式

f 在凸集d⊂

rn上二階連續可微, 則

(1) f 在

d上是凸的充要條件是∇2

f(x)

對一切x∈

d為半正定;

(2) f在

d 上是嚴格凸的充分條件是∇2

f(x)

對一切x∈

d 為正定;

(3) f 在

d 上是一致凸的充要條件是∇2

f(x)

對一切x∈

d 為一致正定.

注意,∇2

f 正定是

f 嚴格凸的充分條件而非必要條件.

馬昌鳳. 最優化方法及其matlab程式設計[m]. 科學出版社, 2010. ↩

最優化基礎(二)

在演算法的收斂性分析中,需要用到向量和矩陣範數的概念及其有關理論。範數 norm 是具有 長度 概念的函式。設r n 表示實n維向量空間,rn n 表示實n階矩陣全體所組成的線性空間.在這兩個空間中,我們分別定義向量和矩陣的範數.向量x rn的範數 x 是乙個非負數,它必須滿足以下條件 1.非負性 ...

無約束最優化四

3 quasi newton method 在第2節中我們了解了步長的概念,以及從x k走到x k 1點使用line search方法計算步長的方法。不過我們在那裡忽略了乙個重要的概念,即 方向 從第2節,我們了解到從每一點x k走到下一點x k 1時,需要給出要走的 方向 只有 方向 確定好之後,...

20190602 最優化理論基礎

所謂最優化方法,就是求乙個多元函式在某個給定集合上的極值。min f x s.t.x屬於k k是某個給定的集合 稱為可行集或者是可行域 f x 是定義在集合k上的實值函式,此外,在模型中,x通常稱為決策變數,s.t.是subject to 的縮寫 人們按照可行集的性質對最優化問題,進行乙個大致的分類...