- 凸最佳化教程
- 首頁
- 介紹
- 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
凸集的極點
設S是$\mathbb{R}^n$中的一個凸集。如果向量$x \in S$滿足:當$x= \lambda x_1+\left ( 1-\lambda \right )x_2$,其中$x_1, x_2 \in S$且$\lambda \in\left ( 0, 1 \right )$時,蘊含$x=x_1=x_2$,則稱x是S的極點。
示例
步驟1 − $S=\left \{ \left ( x_1,x_2 \right ) \in \mathbb{R}^2:x_{1}^{2}+x_{2}^{2}\leq 1 \right \}$
極點,$E=\left \{ \left ( x_1, x_2 \right )\in \mathbb{R}^2:x_{1}^{2}+x_{2}^{2}= 1 \right \}$
步驟2 − $S=\left \{ \left ( x_1,x_2 \right )\in \mathbb{R}^2:x_1+x_2< 2, -x_1+2x_2\leq 2, x_1,x_2\geq 0 \right \}$
極點,$E=\left \{ \left ( 0, 0 \right), \left ( 2, 0 \right), \left ( 0, 1 \right), \left ( \frac{2}{3}, \frac{4}{3} \right) \right \}$
步驟3 − S是由點$\left \{ \left ( 0,0 \right ), \left ( 1,1 \right ), \left ( 1,3 \right ), \left ( -2,4 \right ),\left ( 0,2 \right ) \right \}$構成的多胞體
極點,$E=\left \{ \left ( 0,0 \right ), \left ( 1,1 \right ),\left ( 1,3 \right ),\left ( -2,4 \right ) \right \}$
備註
凸集S的任何點都可以表示為其極點的凸組合。
這僅適用於$\mathbb{R}^n$中的閉合有界集。
對於無界集,這可能不成立。
k個極點
凸集中的一個點被稱為k極點當且僅當它是S內k維凸集的內點,並且它不是S內(k+1)維凸集的內點。基本上,對於凸集S,k個極點構成k維開面。