UA SIE545 优化理论基础1 凸分析3 凸集与凸包
UA SIE545 優化理論基礎1 凸分析3 凸集與凸包
- 基本概念與性質
- 凸集
- 凸組合
- 凸包
基本概念與性質
凸集
考慮數域FFF上的線性空間VVV。
定義一 凸集(convex set)。S?VS \subset VS?V為凸集,如果?x1,x2∈S\forall x_1,x_2 \in S?x1?,x2?∈S, ?λ∈[0,1]\forall \lambda \in [0,1]?λ∈[0,1], λx1+(1?λ)x2∈S\lambda x_1+(1-\lambda)x_2 \in Sλx1?+(1?λ)x2?∈S。
定理一 任意個凸集的交是凸集。
證明
考慮指標集III以及一列凸集Si,i∈IS_{i},i \in ISi?,i∈I,
S=?i∈ISiS = \bigcap_{i \in I}S_iS=i∈I??Si?
?x1,x2∈S\forall x_1,x_2 \in S?x1?,x2?∈S, x1,x2∈Si,?i∈Ix_1,x_2 \in S_i,\forall i \in Ix1?,x2?∈Si?,?i∈I, 給定i∈Ii \in Ii∈I,SiS_iSi?是凸集,?λ∈[0,1]\forall \lambda \in [0,1]?λ∈[0,1],λx1+(1?λ)x2∈Si\lambda x_1 +(1-\lambda)x_2 \in S_iλx1?+(1?λ)x2?∈Si?,因此
λx1+(1?λ)x2∈S\lambda x_1 +(1-\lambda)x_2 \in Sλx1?+(1?λ)x2?∈S
例1 歐式空間中的常見凸集:
H={x∈V:(x,b)>β}H =\{x \in V:(x,b)>\beta\}H={x∈V:(x,b)>β}
H={x∈V:(x,b)≥β}H =\{x \in V:(x,b)\ge\beta\}H={x∈V:(x,b)≥β}
例二 關于凸集封閉的集合運算
凸組合
定義二 凸組合(convex combination)。考慮?x1,?,xm∈V,?λ1,?,λm≥0\forall x_1,\cdots,x_m \in V,\forall \lambda_1,\cdots,\lambda_m \ge 0?x1?,?,xm?∈V,?λ1?,?,λm?≥0, λ1+?+λm=1\lambda_1+\cdots+\lambda_m=1λ1?+?+λm?=1,稱x=λ1x1+?+λmxmx=\lambda_1x_1+\cdots+\lambda_mx_mx=λ1?x1?+?+λm?xm?
為一個凸組合。凸組合與上一講定義的仿射組合非常相似,它們的本質都是一些特殊的線性組合,但凸組合對線性組合系數的要求比仿射組合更嚴格。
定理二 S?VS \subset VS?V是凸集的充要條件為SSS包含SSS中任何向量的所有凸組合。
凸包
定義三 S?VS \subset VS?V,稱凸包(convex hull) convSconvSconvS是包含MMM的最小凸集。
convS={∑i=1mλixi:xi∈S,λi∈F,∑i=1mλi=1,λi≥0,m∈N}=?{Mconvex:M?S}convS=\{\sum_{i=1}^m \lambda_ix_i:x_i \in S,\lambda_i \in F,\sum_{i=1}^m \lambda_i=1,\lambda_i \ge 0,m \in \mathbb{N}\} \\ = \bigcap \{M\ convex:M \supset S\}convS={i=1∑m?λi?xi?:xi?∈S,λi?∈F,i=1∑m?λi?=1,λi?≥0,m∈N}=?{M?convex:M?S}
定理二續 定理二的條件可以敘述為S=conv(S)S = conv(S)S=conv(S)。
定義四 VVV中一個有限點集為{y0,?,ym}\{y_0,\cdots,y_m\}{y0?,?,ym?},稱它的凸包為凸多面體(polytope);如果y0,?,ymy_0,\cdots,y_my0?,?,ym?仿射無關(affinely independent),就稱它的凸包conv{y0,?,ym}conv\{y_0,\cdots,y_m\}conv{y0?,?,ym?}為單純形(simplex)。
總結
以上是生活随笔為你收集整理的UA SIE545 优化理论基础1 凸分析3 凸集与凸包的全部內容,希望文章能夠幫你解決所遇到的問題。
- 上一篇: UA SIE545 优化理论基础1 凸分
- 下一篇: UA SIE545 优化理论基础1 例题