- 凸最佳化教程
- 首頁
- 簡介
- 線性規劃
- 範數
- 內積
- 最小值和最大值
- 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
- 凸函式和凹函式
- Jensen不等式
- 可微凸函式
- 全域性最優的充分必要條件
- 擬凸函式和擬凹函式
- 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
基本分離定理
設S是$\mathbb{R}^n$中的一個非空閉凸集,且$y \notin S$。則存在一個非零向量p和標量β,使得$p^T y>\beta$,並且對於每個$x \in S$,都有$p^T x < \beta$
證明
由於S是非空閉凸集,且$y \notin S$,因此根據最近點定理,存在唯一的最小化點$\hat{x} \in S$,使得
$\left ( x-\hat{x} \right )^T\left ( y-\hat{x} \right )\leq 0 \forall x \in S$
令$p=\left ( y-\hat{x} \right )\neq 0$,且$\beta=\hat{x}^T\left ( y-\hat{x} \right )=p^T\hat{x}$.
則 $\left ( x-\hat{x} \right )^T\left ( y-\hat{x} \right )\leq 0$
$\Rightarrow \left ( y-\hat{x} \right )^T\left ( x-\hat{x} \right )\leq 0$
$\Rightarrow \left ( y-\hat{x} \right )^Tx\leq \left ( y-\hat{x} \right )^T \hat{x}=\hat{x}^T\left ( y-\hat{x} \right )$ 即,$p^Tx \leq \beta$
此外,$p^Ty-\beta=\left ( y-\hat{x} \right )^Ty-\hat{x}^T \left ( y-\hat{x} \right )$
$=\left ( y-\hat{x} \right )^T \left ( y-x \right )=\left \| y-\hat{x} \right \|^{2}>0$
$\Rightarrow p^Ty> \beta$
該定理導致分離超平面。基於上述定理,可以定義超平面如下:
設$S_1$和$S_2$是$\mathbb{R}$的非空子集,且$H=\left \{ X:A^TX=b \right \}$是一個超平面。
如果對於所有$X \in S_1$,$A^TX \leq b$,並且對於所有$X \in S_2$,$A_TX \geq b$,則稱超平面H分離$S_1$和$S_2$。
如果對於所有$X \in S_1$,$A^TX < b$,並且對於所有$X \in S_2$,$A_TX > b$,則稱超平面H嚴格分離$S_1$和$S_2$。
如果對於所有$X \in S_1$,$A^TX \leq b$,並且對於所有$X \in S_2$,$A_TX \geq b+ \varepsilon$,其中$\varepsilon$是一個正標量,則稱超平面H強分離$S_1$和$S_2$。