【凸优化】1 仿射集,凸集,锥

1. 仿射集 Affine Sets

1)定义

定义1:\(x_1, x_2\)为集合\(C\subseteq \mathbb{R}^n\)中的任意两点,如果穿过\(x_1,x_2\)直线仍在\(C\)内,那么\(C\)为仿射集。
定义2:对于任意\(x_1,x_2\in C\)\(\theta\in \mathbb{R}\),如果 \(\theta x_1+(1-\theta)x_2\in C\),那么\(C\)为仿射集。

2)仿射组合

扩展:如果\(C\)为仿射集,\(x_1,...,x_k\in C\) 并且 \(\theta_1+...+\theta_k=1\),那么\(\theta_1 x_1+...+\theta_k x_k\in C\)。其中,\(\theta_1 x_1+...+\theta_k x_k\)称为仿射组合(Affine Combination)

如果\(C\)为仿射集,\(x_0\in C\),那么\(V=C-x_0=\{x-x_0|x\in C\}\)称为\(C\)相关的子空间。 (相当于平移)

线性方程组的解集是仿射集?证:
\(C=\{x|Ax=b\}, A\in \mathbb{R}^{m\times n}, x\in \mathbb{R}^n, b\in \mathbb{R}^m\)
对任意\(x_1,x_2\in C\)\(Ax_1=b, Ax_2=b\),那么设 \(\theta \in \mathbb{R}\),我们想证:
\(\theta x_1 +(1-\theta)x_2\)是否\(\in C\),即
\(A(\theta x_1 +(1-\theta)x_2)\)是否\(= b\),整理可得:
\(\theta A x_1 + (1-\theta) A x_2=\theta b+(1-\theta)b=b\)

对集合\(V\)的分析:

\[V=\{x-x_0|x\in C\}, \forall x_0\in C \\ =\{x-x_0|Ax=b\}, Ax_0= b\\ =\{x-x_0|A(x-x_0)=0\}\\ =\{y|Ay=0\} \]

为A的零空间(null space)。

3)仿射包

仿射包(affine hull):任意集合\(C \in \mathbb{R}^n\)\(C\)中的点所构成的全部仿射组合的集合称为\(C\)的仿射包,记为\({\rm aff} \; C\)

\[{\rm aff} \; C=\{\theta_1 x_1+...+\theta_k x_k|x_1,...,x_k\in C, \theta_1+...+\theta_k=1\} \]

可以看出,集合\(C\)的仿射包是包含\(C\)的最小仿射集;\(S\)是任意仿射集,如果\(C\subseteq S\),那么\({\rm aff} \; C \subseteq S\)

2. 凸集 Convex Sets

1)定义

定义1:\(x_1, x_2\)为集合\(C\subseteq \mathbb{R}^n\)中的任意两点,如果穿过\(x_1,x_2\)线段仍在\(C\)内,那么\(C\)为凸集。
定义2:对于任意\(x_1,x_2\in C\)\(\theta\in [0,1]\),如果 \(\theta x_1+(1-\theta)x_2\in C\),那么\(C\)为仿射集。

图1. 左:六边形,包括边,是凸集;中:非凸集合;右:正方形, 不包含边上的某些点,非凸(如果不含的点只在四个角上,为凸集)。

2)凸组合

类似的,\(x_1,...,x_k\)凸组合\(\theta_1 x_1+...+\theta_k x_k\)这样相加得到的点,其中\(\theta_1+...+\theta_k =1\),并且\(\theta_i \in [0,1]\)\(i=1,...,k\)。凸组合可以看做是点的混合(mixture)或加权平均(weighted average),其中\(\theta_i\)是混合中\(x_i\)的分数。

扩展:\(C\)为凸集\(\Leftrightarrow\)(当且仅当)\(C\)中任意元素的凸组合\(\in C\)

3)凸包

凸包(convex hull):任意集合\(C \in \mathbb{R}^n\)\(C\)中的点所构成的全部凸组合的集合称为\(C\)的凸包,记为\({\rm conv} \; C\)

\[{\rm conv} \; C=\{\theta_1 x_1+...+\theta_k x_k|x_i\in C, \theta_i\in[0,1], i=1,...,k,\theta_1+...+\theta_k=1\} \]

集合\(C\)的凸包是包含\(C\)的最小凸集;\(B\)是任意凸集,如果\(C\subseteq B\),那么\({\rm conv}\;C\subseteq B\)

图2. \(\mathbb{R}^2\)中的两个凸包,左图中的集合(15个点构成的集合)的凸包是一个五边形(阴影部分);右图阴影部分为图1中间的图形的凸包。

凸组合的概念也可归纳为无限累加、积分,以及最一般形式的概率分布:
\(\theta\) 满足:\(\sum_{i=1}^{\infty}\theta_i =1\)\(\theta_i\in[0,1]\)\(x_i\in C\),其中\(C\subseteq \mathbb{R}^n\)为凸集,那么\(\sum_{i=1}^{\infty}\theta_ix_i\in C\)(如果级数收敛)。

更一般地,设 \(p:\mathbb{R}^n \rightarrow \mathbb{R}\)满足:对于所有的\(x\in C\)\(p(x)\in [0,1]\),并且\(\int_{C}p(x)dx=1\),其中\(C\subseteq \mathbb{R}^n\)为凸集,那么\(\int_{C}p(x)xdx\in C\)(如果积分存在)。

3 锥 Cones

1)定义

集合\(C\)为锥(cone)\(\Leftrightarrow\)对于任意\(x\in C\)\(\theta \geq 0\),有\(\theta x \in C\)
集合\(C\)为凸锥(convex cone)\(\Leftrightarrow\)对于任意\(x_1,x_2\in C\)\(\theta_1,\theta_2 \geq 0\),有\(\theta_1 x_1+\theta_2x_2 \in C\)

图3. 凸锥在几何上可以描述为:顶点为0且边缘穿过\(x_1\)\(x_2\)的二维饼图

2)锥组合

\(x_1,...,x_k\)锥组合(conic combination)\(\theta_1 x_1 +,...,+\theta_k x_k\)这样相加得到的点,其中\(\theta_1,...,\theta_k \geq 0\)
如果\(x_i\in C\)\(C\) 是凸锥,那么\(x_i\)的任意锥组合在\(C\)内。
集合\(C\)是凸锥\(\Leftrightarrow\)\(C\)包含\(C\)中元素的所有的锥组合。
类似的,锥组合的概念可以一般化到无穷累加和积分。

3)锥包

集合\(C\)锥包(conic hull)\(C\)内点的所有锥组合构成的集合,即:

\[\{\theta_1x_1+...+\theta_kx_k|x_i\in C, \theta_i\geq 0, i=1,...,k\} \]

集合\(C\)的锥包是包含\(C\)的最小凸锥。

图4. 图2中的两个集合的锥包(阴影部分);如果集合为两个点,且两点连线通过0点,它的锥包为一条通过这两点,顶点为0的射线

4 几种重要的例子

  • 仿射集都是凸集。
  • 任意的空集\(\varnothing\),只包含一个点的集合\(\{x_0\}\),和整个\(\mathbb{R}^n\)空间都是\(\mathbb{R}^n\)的仿射子集。
  • 任意的直线都是仿射集,如果直线通过0点,那么它是一个凸锥。
  • 任意的线段都是凸集,但不是仿射集。
  • 一条射线,形式为\(\{x_0 + θv | θ \geq 0\}\),其中 \(v \neq 0\),是凸集,但不是仿射集。 如果\(x_0=0\),则它是凸锥。
  • 任何子空间都是仿射集,并且是凸锥。
posted @ 2022-05-31 12:38  李斯赛特  阅读(1239)  评论(0编辑  收藏  举报