295 字
1 分钟
[人工智能数学基础] 凸优化

凸集#

凸集是指对于集合中的任意两点,连接这两点的线段也完全包含在该集合中

性质:

  • 交集:任意数量的凸集的交集仍然是凸集
  • 凸包:任意集合的凸包是包含该集合的最小凸集
  • 仿射变换:凸集在仿射变换下仍然是凸集(仿射变换:线性变换 \cup 平移)

凸函数#

一个函数 f:RnRf: \mathbb{R}^n \to \mathbb{R} 是凸函数,如果对于任意 x,yRnx, y \in \mathbb{R}^nλ[0,1]\lambda \in [0, 1],满足:

f(λx+(1λ)y)λf(x)+(1λ)f(y)f(\lambda x + (1 - \lambda) y) \leq \lambda f(x) + (1 - \lambda) f(y)

对于一元标量函数 f:RRf: \mathbb{R} \to \mathbb{R},就是函数上的任意两点之间的线段在函数图像上方

琴生不等式#

ff 是一个凸函数,则对于任意 x,yRnx, y \in \mathbb{R}^nλ[0,1]\lambda \in [0, 1],有:

f(λx+(1λ)y)λf(x)+(1λ)f(y)f(\lambda x + (1 - \lambda) y) \leq \lambda f(x) + (1 - \lambda) f(y)

线性规划问题#

线性规划问题是指优化一个线性目标函数,约束条件也是线性的优化问题

标准形式#

maxcTxs.t.Axbx0\begin{aligned} \max \quad & c^T x \\ \text{s.t.} \quad & Ax \leq b \\ & x \geq 0 \end{aligned}

代数法解线性规划问题#

[人工智能数学基础] 凸优化
https://a1kari8.github.io/posts/ai_math/convex_opt/
作者
A1kari8
发布于
2026-05-04
许可协议
CC BY-NC-SA 4.0