- 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
Caratheodory定理
設S是$\mathbb{R}^n$中的任意集合。如果$x \in Co\left ( S \right )$,則$x \in Co\left ( x_1,x_2,....,x_n,x_{n+1} \right )$。
證明
由於$x \in Co\left ( S\right )$,則x可以表示為S中有限個點的凸組合,即:
$x=\displaystyle\sum\limits_{j=1}^k \lambda_jx_j,\displaystyle\sum\limits_{j=1}^k \lambda_j=1, \lambda_j \geq 0$ 且 $x_j \in S, \forall j \in \left ( 1,k \right )$
如果$k \leq n+1$,則結果顯然成立。
如果$k \geq n+1$,則$\left ( x_2-x_1 \right )\left ( x_3-x_1 \right ),....., \left ( x_k-x_1 \right )$線性相關。
$\Rightarrow \exists \mu _j \in \mathbb{R}, 2\leq j\leq k$(不全為零)使得 $\displaystyle\sum\limits_{j=2}^k \mu _j\left ( x_j-x_1 \right )=0$
定義$\mu_1=-\displaystyle\sum\limits_{j=2}^k \mu _j$,則$\displaystyle\sum\limits_{j=1}^k \mu_j x_j=0, \displaystyle\sum\limits_{j=1}^k \mu_j=0$
其中不所有的$\mu_j$都等於零。由於$\displaystyle\sum\limits_{j=1}^k \mu_j=0$,至少有一個$\mu_j > 0,1 \leq j \leq k$
則,$x=\displaystyle\sum\limits_{1}^k \lambda_j x_j+0$
$x=\displaystyle\sum\limits_{1}^k \lambda_j x_j- \alpha \displaystyle\sum\limits_{1}^k \mu_j x_j$
$x=\displaystyle\sum\limits_{1}^k\left ( \lambda_j- \alpha\mu_j \right )x_j $
選擇$\alpha$使得$\alpha=min\left \{ \frac{\lambda_j}{\mu_j}, \mu_j\geq 0 \right \}=\frac{\lambda_j}{\mu _j},$ 對於某個$i=1,2,...,k$
如果$\mu_j\leq 0$,則$\lambda_j-\alpha \mu_j\geq 0$
如果$\mu_j> 0$,則 $\:\frac{\lambda _j}{\mu_j}\geq \frac{\lambda_i}{\mu _i}=\alpha \Rightarrow \lambda_j-\alpha \mu_j\geq 0, j=1,2,...k$
特別地,$\lambda_i-\alpha \mu_i=0$,根據$\alpha$的定義
$x=\displaystyle\sum\limits_{j=1}^k \left ( \lambda_j- \alpha\mu_j\right )x_j$,其中
$\lambda_j- \alpha\mu_j\geq0$ 且 $\displaystyle\sum\limits_{j=1}^k\left ( \lambda_j- \alpha\mu_j\right )=1$ 且 $\lambda_i- \alpha\mu_i=0$
因此,x可以表示為最多(k-1)個點的凸組合。
這個簡化過程可以重複進行,直到x可以表示為(n+1)個元素的凸組合。