- 凸最佳化教程
- 首頁
- 介紹
- 線性規劃
- 範數
- 內積
- 極小值和極大值
- 凸集
- 仿射集
- 凸包
- Caratheodory定理
- Weierstrass定理
- 最近點定理
- 基本分離定理
- 凸錐
- 極錐
- 錐組合
- 多面體集
- 凸集的極點
- 方向
- 凸函式與凹函式
- Jensen不等式
- 可微凸函式
- 全域性最優的充分條件和必要條件
- 擬凸函式與擬凹函式
- 可微擬凸函式
- 嚴格擬凸函式
- 強擬凸函式
- 偽凸函式
- 凸規劃問題
- Fritz-John條件
- Karush-Kuhn-Tucker最優性必要條件
- 凸問題的演算法
- 凸最佳化資源
- 凸最佳化 - 快速指南
- 凸最佳化 - 資源
- 凸最佳化 - 討論
凸最佳化 - 仿射集
如果集合A對於任意兩點,穿過這兩點的直線都位於集合A中,則稱集合A為仿射集。
注意 −
S是仿射集當且僅當它包含其所有點的仿射組合。
空集和單元素集都是仿射集和凸集。
例如,線性方程的解集是一個仿射集。
證明
設S是線性方程的解集。
根據定義,$S=\left \{ x \in \mathbb{R}^n:Ax=b \right \}$
設$x_1,x_2 \in S\Rightarrow Ax_1=b$ 且 $Ax_2=b$
要證明:$A\left [ \theta x_1+\left ( 1-\theta \right )x_2 \right ]=b, \forall \theta \in\left ( 0,1 \right )$
$A\left [ \theta x_1+\left ( 1-\theta \right )x_2 \right ]=\theta Ax_1+\left ( 1-\theta \right )Ax_2=\theta b+\left ( 1-\theta \right )b=b$
因此,S是一個仿射集。
定理
如果C是一個仿射集,且$x_0 \in C$,則集合$V= C-x_0=\left \{ x-x_0:x \in C \right \}$是C的子空間。
證明
設$x_1,x_2 \in V$
要證明:$\alpha x_1+\beta x_2 \in V$ 對於某些$\alpha,\beta$
現在,根據V的定義,$x_1+x_0 \in C$ 且 $x_2+x_0 \in C$
現在,$\alpha x_1+\beta x_2+x_0=\alpha \left ( x_1+x_0 \right )+\beta \left ( x_2+x_0 \right )+\left ( 1-\alpha -\beta \right )x_0$
因為C是一個仿射集,所以$\alpha \left ( x_1+x_0 \right )+\beta \left ( x_2+x_0 \right )+\left ( 1-\alpha -\beta \right )x_0 \in C$。
因此,$\alpha x_1+\beta x_2 \in V$
證畢。