【凸优化笔记一】仿射集+凸集+锥
【凸优化笔记一】仿射集+凸集+锥
- 引言
- 直线&线段
- 直线的定义
- 线段的定义
- 仿射集 Affine Sets
- 与C相关的子空间
- 线性方程组的解集是仿射集
- 零空间
- 仿射包 Affine Hull
- 凸集 Convex Set
- 凸包 Convex Hull
- 锥 Cone
- 凸锥包
- 总结
引言
最近开始接触凸优化问题,发现自己这块知识点处于零散的认知阶段,所以配合着哔站上的课程,以及相应配套的书籍进行学习。
哔站链接传送门:中科大-凸优化
推荐的书籍有以下三本:
Convex Optimization Stephen Boyd, Lieven Vandenberghe
Nonlinear Programming, Second Edition Dimitri Bertsekas
Parallel and Distributed Computation:Numerical Methods Dimitri Bersekas, John Tsitsiklis
接下来的学习以及引用也主要来自于这三本书。
直线&线段
直线和线段是我们自从接触小学初中的几何问题以来,最常见也是最基本的概念,为什么在这里还需要重新提一下这两个概念呢?
首先,正是因为其基础,方便大家形成螺旋式上升的模式;其次,这两个概念必然为后续的一些概念打下了铺垫和引理的作用;最后,请用数学的语言来表达高维空间上的直线和线段的定义。(这里思考片刻,曾经在初高中时期,我们应该是学习过二维平面上的直线的定义的吧,试试能够完整的写下来)
直线的定义
{X1≠X2∈Rn,θ∈R,Y=θX1+(1−θ)X2=X2+θ(X1−X2),\begin{equation} \left\{ \begin{array}{lr} X_1 \neq X_2 \in R^n, & \\ \theta \in R,& \\ Y=\theta X_1+(1-\theta)X_2=X_2+\theta (X_1-X_2), & \end{array} \right. \end{equation} ⎩⎨⎧X1=X2∈Rn,θ∈R,Y=θX1+(1−θ)X2=X2+θ(X1−X2),
线段的定义
由于线段是直线的一部分,所以仅需在直线的定义下稍加限制即可满足线段定义
{X1≠X2∈Rn,θ∈R,θ∈[0,1]Y=θX1+(1−θ)X2=X2+θ(X1−X2),\begin{equation} \left\{ \begin{array}{lr} X_1 \neq X_2 \in R^n, & \\ \theta \in R,\theta \in [0,1]& \\ Y=\theta X_1+(1-\theta)X_2=X_2+\theta (X_1-X_2), & \end{array} \right. \end{equation} ⎩⎨⎧X1=X2∈Rn,θ∈R,θ∈[0,1]Y=θX1+(1−θ)X2=X2+θ(X1−X2),
仿射集 Affine Sets
正式进入正文,仿射集,有以下定义形式
一个集合C是仿射集,若∀X1,X2∈C{\forall}X_1, X_2\in C∀X1,X2∈C,则连接X1,X2X_1, X_2X1,X2的直线也在集合中;换言之,线性组合两点(可以思考成向量)依然在集合C中。
以上定义,可被扩大为X1,...,XkX_1, ..., X_kX1,...,Xk的仿射组合。
与C相关的子空间
由于往往在现实问题中,当得到某仿射集后,认为性质不够好,可以通过减掉其集合中的一个元素,即可获得与C相关的子空间,V。由此不再收到仿射集定义中1的限制。
以下是定义及其证明
线性方程组的解集是仿射集
以下是证明过程
上图中最后一句也说明了,小标题是一充分必要条件。
零空间
结合以上的与C相关的子空间V以及线性方程组的解集是仿射集,可以有以下推演
值得注意的是,V中任意元素都是A的零空间。
仿射包 Affine Hull
任意集合C,构成尽可能小的仿射集,即为仿射包
凸集 Convex Set
一个集合C是凸集,当任意两点之间的线段仍在C内。
其中,值得注意的是,仿射集是凸集的特例。以二维平面上的一个圆为例,不难发现,圆是凸集,但不是仿射集。这里可以简易的认为,需要满足凸集的要求比仿射集低,所以仿射集是凸集的特例,仿射集一定是凸集,凸集不一定是仿射集。从定义角度的需要包含的直线和线段中,也可以说明两者的关系。
凸包 Convex Hull
书里面,在对凸包定义的时候,看似没有对θ\thetaθ上限进行范围限制;不过在根据二维定义或者多维中的所有θ\thetaθ之和为1,可以推算出来θ\thetaθ限制在0~1之间。
以下是针对一个集合,所构建的凸包
锥 Cone
C是锥的定义
∀X∈C,θ≥0,有θX∈C\forall X\in C,\theta \geq0,有\theta X\in C ∀X∈C,θ≥0,有θX∈C
C是凸锥的定义
∀X1,X2∈C,θ1,θ2≥0,有θ1X1+θ2X2∈C\forall X_1,X_2\in C,\theta _1,\theta _2\geq0,有\theta _1X_1+\theta _2X_2\in C ∀X1,X2∈C,θ1,θ2≥0,有θ1X1+θ2X2∈C
凸锥包
以下是针对一个集合,所构建的凸锥包
总结
以上主要是对仿射集、凸集、凸锥等概念及其广义化性质进行展示,并且通过几个典型的例子加以说明三者的区别。
【凸优化笔记一】仿射集+凸集+锥相关推荐
- 凸优化笔记(1) —— 基本概念
凸优化笔记 -- 基本概念之凸集 1. 数学优化 基本概念 2.1 凸优化问题 2.2 线性函数与凸函数 2.3 凸集 仿射集. 2.3.2 凸集 2.3.3锥 三种集合的比较: 基本准备 本科没学过 ...
- 【凸优化笔记二】凸函数基本性质和例子
[凸优化笔记二]凸函数基本性质和例子 凸函数的四个定义 定义一 定义二 定义三 定义四 一些栗子 凸函数的四个定义 定义一 其中 dom fff 是函数 fff 的 定义域(前域),为凸集--这个很重 ...
- 中科大-凸优化 笔记(lec25)-等价变换
全部笔记的汇总贴(视频也有传送门):中科大-凸优化 ∇fT(x∗)(y−x)≥0\nabla f^T(x^*)(y-x)\ge0∇fT(x∗)(y−x)≥0线性规划的解在边界上 一.等价变换 例:食谱 ...
- 中科大-凸优化 笔记(lec9)-广义不等式、分离与支撑超平面、对偶锥与广义不等式
全部笔记的汇总贴(这一节的视频缺失):中科大-凸优化 内容是自己看书上的三节整理的,和前面几节一样,算是一些基础性的理论知识. 只能说这一块儿先就这样,后面的课程如果遇到需要进行补充学习的地方,再进行 ...
- 中科大-凸优化 笔记(lec44)-一些上界下界及梯度下降
全部笔记的汇总贴(视频也有传送门):中科大-凸优化 一.强凸性 假设 f ( x ) f(x) f(x)二阶可微且有强凸性 ∃ m > 0 , ∀ x ∈ d o m f , ∇ 2 f ( x ...
- 凸优化学习:PART1凸集
凸优化学习PART1 一.引言:优化问题简介 优化问题的定义 凸优化是优化的一种,是优化中比较容易的问题.在讲解优化问题前,首先说明什么是优化/数学规划(Optimization/Mathematic ...
- 凸优化基础学习:凸集、凸函数、凸规划理论概念学习
凸优化基础概念学习 1.计算几何是研究什么的? 2.计算几何理论中(或凸集中)过两点的一条直线的表达式,是如何描述的?与初中数学中那些直线方程有什么差异?有什么好处? 3.凸集是什么? 直线是凸集吗? ...
- 凸优化、最优化、凸集、凸函数
原文:https://www.cnblogs.com/AndyJee/p/5048735.html 我们知道压缩感知主要有三个东西:信号的稀疏性,测量矩阵的设计,重建算法的设计.那么,在重建算法中,如 ...
- 凸优化笔记(一):仿射集,凸集与锥
一.直线和线段 设为空间中的两个点. 直线: 线段: 二.仿射集(Affine Set)凸集(Convex Set)和锥(Cones) 仿射集 仿射集:通过集合中任意两个不同点的直线仍然在集合C中,则 ...
最新文章
- 嵌入式学习:存储器总结
- Linux下autoconf和automake使用
- javascript foreach中获取数组下标/index
- python中当地时间_R 与 Python 中与时间相关内容的梳理
- sql server无法绑定由多个部分组成的标识符_HTML5服务器推送事件(Server-sent-event)...
- SpringMVC的JSP页面中EL表达式不起作用${}
- sklearn聚类评价指标
- 华医网自动答题小脚本软件,并收集答案保存起来
- Java 高淇300集资源分享
- 6.5一些keil编程错误总结
- MGV3000_YST_免费刷机固件包_原生设置无密码_支持外置USB无线网卡
- MATLAB TIFF转Shape、TIFF和Shape的读写
- ckeditor富文本解决文段首行缩进问题
- 网络诊断提示:远程计算机或设备将不接受连接 (根治 )
- 思维方式-《金字塔原理》书中的精髓:如何利用金字塔原理,逻辑清晰地思考问题、表达观点。
- 阿里云ECS服务器搭建Mysql数据库
- PAT-Day1-挖掘机技术哪家强
- 【Python+C#】手把手搭建基于Hugging Face模型的离线翻译系统,并通过C#代码进行访问...
- GC0053-STM32单片机NTC热敏电阻温度采集及控制LCD1602
- 音乐基础理论 第一章
热门文章
- SHOW DBS在MongoDB中不显示我的自建库
- 使用jasypt3.0默认加密,启动时报:Failed to bind properties under ‘xxx.xxx.xxx‘ to java.lang.String
- opencv礼帽tophat
- 计算机xiuli教程,电脑主板修理教程
- 惠普笔记本禁用触屏功能
- 制作 Windows8 to Go
- dijkstra的matlab程序,最短路径算法dijkstra的matlab程序,让大家来找茬,交流
- 微信开挂怎么防止封号_说我微信开挂怎么解决(做好这几点不封号)
- python图书库存管理系统的需求分析_书店管理系统需求分析.doc
- 规范有效的需求变更管理,分7步走。