其他分享
首页 > 其他分享> > 【笔记】凸优化1

【笔记】凸优化1

作者:互联网

b站凌青老师凸优化课程1-6课笔记。

什么是优化

优化就是从一个可行解的集合中,寻找出最优的元素。写成数学形式:
minimize  f 0 ( x ) subject to  f i ( x ) ≤ b i i = 1 , ⋯   , M \begin{aligned} &\text{minimize }f_0(x)\\ &\text{subject to }f_i(x)\le b_i\quad i=1,\cdots,M \end{aligned} ​minimize f0​(x)subject to fi​(x)≤bi​i=1,⋯,M​
其中 x = [ x 1 , ⋯   , x n ] T x=[x_1,\cdots,x_n]^T x=[x1​,⋯,xn​]T 称为优化变量, f 0 : R n → R f_0:\R^n\to \R f0​:Rn→R 称为目标函数, f i : R n → R f_i:\R^n\to \R fi​:Rn→R 称为不等式约束。

优化问题的分类

优化问题一般有如下分类,其中前者通常较简单,后者通常较难。

线性规划 / 非线性规划

称 f f f 为线性函数如果 f ( α x + β y ) = α f ( x ) + β f ( y ) f(\alpha x+\beta y)=\alpha f(x)+\beta f(y) f(αx+βy)=αf(x)+βf(y)。

若限制函数和目标函数均为线性函数,则称该问题为线性规划,否则称其为非线性规划。

凸规划 / 非凸规划

称 f f f 是凸函数如果 f ( α x + β y ) ≤ α f ( x ) + β f ( y ) f(\alpha x+\beta y)\le \alpha f(x)+\beta f(y) f(αx+βy)≤αf(x)+βf(y)。

若限制函数和目标函数均为凸函数,则称该问题为凸规划,否则称其为非凸规划。


通常还有光滑 / 非光滑,连续 / 离散,单目标 / 多目标等分类。

凸集

直线和线段

对于 x 1 ≠ x 2 ∈ R n x_1\neq x_2\in \R^n x1​​=x2​∈Rn,定义过 x 1 , x 2 x_1,x_2 x1​,x2​ 的直线为
{ θ x 1 + ( 1 − θ ) x 2 ∣ θ ∈ R } \{\theta x_1+(1-\theta)x_2|\theta\in \R\} {θx1​+(1−θ)x2​∣θ∈R}
定义 x 1 , x 2 x_1,x_2 x1​,x2​ 构成的线段为
{ θ x 1 + ( 1 − θ ) x 2 ∣ θ ∈ [ 0 , 1 ] } \{\theta x_1+(1-\theta)x_2|\theta\in [0,1]\} {θx1​+(1−θ)x2​∣θ∈[0,1]}

仿射集

定义

定义1 称集合 C C C 是仿射集,若 ∀ x 1 , x 2 ∈ C \forall x_1,x_2\in C ∀x1​,x2​∈C,连接 x 1 x_1 x1​ 与 x 2 x_2 x2​ 的直线都在 C C C 内。

仿射组合 设 x 1 , ⋯   , x k x_1,\cdots,x_k x1​,⋯,xk​,称 θ 1 x 1 + ⋯ + θ k x k \theta_1x_1+\cdots+\theta_kx_k θ1​x1​+⋯+θk​xk​ 为其仿射组合,其中 θ 1 , ⋯   , θ k ∈ R \theta_1,\cdots,\theta_k\in \R θ1​,⋯,θk​∈R,且 θ 1 + ⋯ + θ k = 1 \theta_1+\cdots+\theta_k=1 θ1​+⋯+θk​=1。

定义2 称集合 C C C 是仿射集,若 ∀ x 1 , ⋯   , x k ∈ c \forall x_1,\cdots,x_k\in c ∀x1​,⋯,xk​∈c,它们的所有仿射组合都在 C C C 内。

定理

上述两个定义等价。

证明 由定义2显然可以推出定义1。往证由定义1可推出定义2。

假设有仿射集 C C C,先证任意三个元素的仿射组合都在 C C C 中。取 x 1 , x 2 , x 3 ∈ c x_1,x_2,x_3\in c x1​,x2​,x3​∈c, θ 1 , θ 2 , θ 3 ∈ R \theta_1,\theta_2,\theta_3\in \R θ1​,θ2​,θ3​∈R 且 θ 1 + θ 2 + θ 3 = 1 \theta_1+\theta_2+\theta_3=1 θ1​+θ2​+θ3​=1,根据定义1可知
θ 1 θ 1 + θ 2 x 1 + θ 2 θ 1 + θ 2 x 2 ∈ C \frac{\theta_1}{\theta_1+\theta_2}x_1+\frac{\theta_2}{\theta_1+\theta_2}x_2\in C θ1​+θ2​θ1​​x1​+θ1​+θ2​θ2​​x2​∈C
那么有
( θ 1 + θ 2 ) ( θ 1 θ 1 + θ 2 x 1 + θ 2 θ 1 + θ 2 x 2 ) + ( 1 − θ 1 − θ 2 ) x 3 ∈ C (\theta_1+\theta_2)\left(\frac{\theta_1}{\theta_1+\theta_2}x_1+\frac{\theta_2}{\theta_1+\theta_2}x_2\right)+(1-\theta_1-\theta_2)x_3\in C (θ1​+θ2​)(θ1​+θ2​θ1​​x1​+θ1​+θ2​θ2​​x2​)+(1−θ1​−θ2​)x3​∈C
展开即可得到 θ 1 x 1 + θ 2 x 2 + θ 3 x 3 ∈ C \theta_1x_1+\theta_2x_2+\theta_3x_3\in C θ1​x1​+θ2​x2​+θ3​x3​∈C。由归纳法可知两个定义等价。

关于仿射集的子空间

假设 C C C 是仿射集, x 1 , x 2 ∈ C x_1,x_2\in C x1​,x2​∈C。把 令 γ = α x 1 + β x 2 \gamma=\alpha x_1+\beta x_2 γ=αx1​+βx2​,则当 α + β ≠ 1 \alpha+\beta\neq 1 α+β​=1 时 γ \gamma γ 未必在 C C C 中。构造新集合:
V = c − x 0 = { x − x 0 ∣ x ∈ c } ∀ x 0 ∈ c V=c-x_0=\{x-x_0|x\in c\}\quad \forall x_0\in c V=c−x0​={x−x0​∣x∈c}∀x0​∈c
称 V V V 为与 C C C 相关的子空间。那么对于 ∀ v 1 , v 2 ∈ V \forall v_1,v_2\in V ∀v1​,v2​∈V, ∀ α , β ∈ R \forall \alpha,\beta\in \R ∀α,β∈R,都有 α v 1 + β v 2 ∈ V \alpha v_1+\beta v_2\in V αv1​+βv2​∈V。因为
α ( v 1 + x 0 ) + β ( v 2 + x 0 ) + ( 1 − α − β ) x 0 ∈ C \alpha(v_1+x_0)+\beta(v_2+x_0)+(1-\alpha-\beta)x_0\in C α(v1​+x0​)+β(v2​+x0​)+(1−α−β)x0​∈C
从而
α v 1 + β v 2 + x 0 ∈ C \alpha v_1+\beta v_2+x_0\in C αv1​+βv2​+x0​∈C
注意到子空间必须经过原点。

仿射包

定义集合 C C C 的仿射包为
aff  C = { θ x 1 + ⋯ + θ k x k ∣ ∀ x 1 , ⋯   , x k ∈ C , ∀ θ 1 + ⋯ + θ k = 1 } \text{aff }C=\{\theta x_1+\cdots+\theta_kx_k|\forall x_1,\cdots,x_k\in C,\forall \theta_1+\cdots+\theta_k=1\} aff C={θx1​+⋯+θk​xk​∣∀x1​,⋯,xk​∈C,∀θ1​+⋯+θk​=1}
那么 aff  C \text{aff }C aff C 为包含 C C C 的最小仿射集。

凸集

定义

定义1 称集合 C C C 是凸集,如果任意两点之间的线段都在 C C C 内。形式化描述:对于 ∀ x 1 , x 2 ∈ C \forall x_1,x_2\in C ∀x1​,x2​∈C, ∀ θ ∈ [ 0 , 1 ] \forall\theta\in [0,1] ∀θ∈[0,1],都有 θ x 1 + ( 1 − θ ) x 2 ∈ C \theta x_1+(1-\theta)x_2\in C θx1​+(1−θ)x2​∈C。

注意到仿射集是凸集的特例。

凸组合 对于 x 1 , ⋯   , x k x_1,\cdots,x_k x1​,⋯,xk​,称 θ 1 x 1 + ⋯ + θ k x k \theta_1x_1+\cdots+\theta_kx_k θ1​x1​+⋯+θk​xk​ 为其凸组合,其中 θ 1 , ⋯   , θ k ∈ [ 0 , 1 ] \theta_1,\cdots,\theta_k\in [0,1] θ1​,⋯,θk​∈[0,1] 且 θ 1 + ⋯ + θ k = 1 \theta_1+\cdots+\theta_k=1 θ1​+⋯+θk​=1。

定义2 称集合 C C C 是凸集,如果 C C C 中任意元素的凸组合都在 C C C 内。

用跟仿射集相同的方法可证两个定义等价。

凸包

对于集合 C C C,定义其凸包为
Conv  C = { θ 1 x 1 + ⋯ + θ k x k ∣ ∀ x 1 , ⋯   , x k ∈ C , ∀ θ 1 , ⋯   , θ k ∈ [ 0 , 1 ] , θ 1 + ⋯ + θ k = 1 } \text{Conv }C=\{\theta_1x_1+\cdots+\theta_kx_k|\forall x_1,\cdots,x_k\in C,\forall \theta_1,\cdots,\theta_k\in [0,1],\theta_1+\cdots+\theta_k=1\} Conv C={θ1​x1​+⋯+θk​xk​∣∀x1​,⋯,xk​∈C,∀θ1​,⋯,θk​∈[0,1],θ1​+⋯+θk​=1}
C C C 的凸包为包含 C C C 的最小凸集。

凸锥

定义

称集合 C C C 是锥,如果 ∀ x ∈ C \forall x\in C ∀x∈C, ∀ θ ≥ 0 \forall\theta\ge 0 ∀θ≥0,有 θ x ∈ C \theta x\in C θx∈C。

定义1 称集合 C C C 是凸锥,如果 ∀ x 1 , x 2 ∈ C \forall x_1,x_2\in C ∀x1​,x2​∈C, ∀ θ 1 , θ 2 ≥ 0 \forall\theta_1,\theta_2\ge 0 ∀θ1​,θ2​≥0,有 x 1 θ 1 + x 2 θ 2 ∈ C x_1\theta_1+x_2\theta_2\in C x1​θ1​+x2​θ2​∈C。

凸锥的定义等价于凸的锥。首先凸锥必然是凸的。反过来,若锥 C C C 是凸的,那么 ∀ x 1 , x 2 ∈ C \forall x_1,x_2\in C ∀x1​,x2​∈C, ∀ θ 1 , θ 2 ≥ 0 \forall \theta_1,\theta_2\ge 0 ∀θ1​,θ2​≥0,由凸性可知
θ 1 θ 1 + θ 2 x 1 + θ 2 θ 1 + θ 2 x 2 ∈ C \frac{\theta_1}{\theta_1+\theta_2}x_1+\frac{\theta_2}{\theta_1+\theta_2}x_2\in C θ1​+θ2​θ1​​x1​+θ1​+θ2​θ2​​x2​∈C
由锥性可知 θ 1 x 1 + θ 2 x 2 ∈ C \theta_1x_1+\theta_2x_2\in C θ1​x1​+θ2​x2​∈C。

凸锥组合 对于 x 1 , ⋯   , x k x_1,\cdots,x_k x1​,⋯,xk​,称 θ 1 x 1 + ⋯ + θ k x k \theta_1x_1+\cdots+\theta_kx_k θ1​x1​+⋯+θk​xk​ 为其凸锥组合,其中 θ 1 , ⋯   , θ k ≥ 0 \theta_1,\cdots,\theta_k\ge 0 θ1​,⋯,θk​≥0。

定义2 称集合 C C C 是凸锥,如果 C C C 中任意元素的凸锥组合都在 C C C 内。


单点和空集

对于一个点的集合 C = { x } C=\{x\} C={x},其必然是仿射集或凸集,但未必是凸锥。空集既是仿射集,又是凸集,也是凸锥。

一些重要的凸集

R n \R^n Rn 空间, R n \R^n Rn 空间的子空间,任意直线,任意线段。

超平面 { x ∣ a T x = b } \{x|a^Tx=b\} {x∣aTx=b},其中 x , a ∈ R n x,a\in \R^n x,a∈Rn, b ∈ R b\in \R b∈R, a ≠ 0 a\neq 0 a​=0。

半空间 { x ∣ a T x ≥ b } \{x|a^Tx\ge b\} {x∣aTx≥b},其中 x , a ∈ R n x,a\in \R^n x,a∈Rn, b ∈ R b\in \R b∈R, a ≠ 0 a\neq 0 a​=0。

球和椭球

B ( x c , r ) = { x ∣ ∥ x − x c ∥ 2 ≤ r } B(x_c,r)=\{x\big|\Vert x-x_c\Vert_2\le r\} B(xc​,r)={x∣∣​∥x−xc​∥2​≤r}。

证明球是凸集:对于 ∀ x 1 , x 2 ∈ B \forall x_1,x_2\in B ∀x1​,x2​∈B, ∥ x 1 − x c ∥ 2 ≤ r \Vert x_1-x_c\Vert_2\le r ∥x1​−xc​∥2​≤r, ∥ x 2 − x c ∥ ≤ r \Vert x_2-x_c\Vert\le r ∥x2​−xc​∥≤r, ∀ 0 ≤ θ ≤ 1 \forall 0\le\theta\le 1 ∀0≤θ≤1,有
∥ θ x 1 + ( 1 − θ ) x 2 − x c ∥ 2 = ∥ θ ( x 1 − x c ) + ( 1 − θ ) ( x 2 − x c ) ∥ 2 ≤ ∥ θ ( x 1 − x c ) ∥ 2 + ∥ ( 1 − θ ) ( x 2 − x c ) ∥ 2 = θ ∥ x 1 − x c ∥ 2 + ( 1 − θ ) ∥ x 2 − x c ∥ 2 ≤ r \begin{aligned} &\Vert \theta x_1+(1-\theta)x_2-x_c\Vert_2\\ =&\Vert \theta(x_1-x_c)+(1-\theta)(x_2-x_c)\Vert_2\\ \le &\Vert\theta(x_1-x_c)\Vert_2+\Vert(1-\theta)(x_2-x_c)\Vert_2\\ =&\theta\Vert x_1-x_c\Vert_2+(1-\theta)\Vert x_2-x_c\Vert_2\\ \le &r \end{aligned} =≤=≤​∥θx1​+(1−θ)x2​−xc​∥2​∥θ(x1​−xc​)+(1−θ)(x2​−xc​)∥2​∥θ(x1​−xc​)∥2​+∥(1−θ)(x2​−xc​)∥2​θ∥x1​−xc​∥2​+(1−θ)∥x2​−xc​∥2​r​


椭球 ϵ ( x c , P ) = { x ∣ ( x − x c ) T P − 1 ( x − x c ) ≤ 1 } \epsilon(x_c,P)=\{x|(x-x_c)^TP^{-1}(x-x_c)\le 1\} ϵ(xc​,P)={x∣(x−xc​)TP−1(x−xc​)≤1}。其中 x c ∈ R n x_c\in \R^n xc​∈Rn, P ∈ S + + n P\in S^n_{++} P∈S++n​ 是一个 n n n 维正定对称矩阵。这里 ( x − x c ) T P − 1 ( x − x c ) (x-x_c)^TP^{-1}(x-x_c) (x−xc​)TP−1(x−xc​) 可以看成是一个加权二范数。

多面体和单纯形

多面体 P = { x ∣ a j T x ≤ b j ( j = 1 , ⋯   , m ) , c j T x = d j ( j = 1 , ⋯   , p ) } P=\{x|a_j^Tx\le b_j(j=1,\cdots,m),c_j^Tx=d_j(j=1,\cdots,p)\} P={x∣ajT​x≤bj​(j=1,⋯,m),cjT​x=dj​(j=1,⋯,p)}。即若干个半空间和超平面的交集。多面体可能是无界的。

单纯形 R n \R^n Rn 空间中选择 v 0 , ⋯   , v k v_0,\cdots,v_k v0​,⋯,vk​ 共 k + 1 k+1 k+1 个点, v 1 − v 0 , ⋯   , v k − v 0 v_1-v_0,\cdots,v_k-v_0 v1​−v0​,⋯,vk​−v0​ 线性无关,则与上述点相关的单纯形为
C = Conv { v 0 , ⋯   , v k } = { θ 0 v 0 + ⋯ + θ k v k ∣ θ ≥ 0 , 1 T θ = 1 } C=\text{Conv}\{v_0,\cdots,v_k\}=\{\theta_0v_0+\cdots+\theta_kv_k|\theta\ge 0,1^T\theta=1\} C=Conv{v0​,⋯,vk​}={θ0​v0​+⋯+θk​vk​∣θ≥0,1Tθ=1}
证明单纯形是多面体的一种:

对于 x ∈ C ⊆ R n x\in C\subseteq \R^n x∈C⊆Rn, C C C 是单纯形等价于 x = θ 0 v 0 + ⋯ + θ k v k ∈ C x=\theta_0v_0+\cdots+\theta_kv_k\in C x=θ0​v0​+⋯+θk​vk​∈C,其中 1 T θ = 1 1^T\theta=1 1Tθ=1, θ ≥ 0 \theta\ge 0 θ≥0 且 v 1 − v 0 , ⋯   , v k − v 0 v_1-v_0,\cdots,v_k-v_0 v1​−v0​,⋯,vk​−v0​ 线性无关。

定义 [ θ 1 , ⋯   , θ k ] T = y [\theta_1,\cdots,\theta_k]^T=y [θ1​,⋯,θk​]T=y,那么 y ≥ 0 y\ge 0 y≥0, 1 T y = 1 1^Ty=1 1Ty=1。 [ v 1 − v 0 , ⋯   , v k − v 0 ] = B ∈ R n × k [v_1-v_0,\cdots,v_k-v_0]=B\in \R^{n\times k} [v1​−v0​,⋯,vk​−v0​]=B∈Rn×k。那么 x ∈ C x\in C x∈C 等价于
x = θ 0 v 0 + ⋯ + θ k v k = v 0 + θ 1 ( v 1 − v 0 ) + ⋯ + θ k ( v k − v 0 ) = v 0 + B y x=\theta_0v_0+\cdots+\theta_kv_k=v_0+\theta_1(v_1-v_0)+\cdots+\theta_k(v_k-v_0)=v_0+By x=θ0​v0​+⋯+θk​vk​=v0​+θ1​(v1​−v0​)+⋯+θk​(vk​−v0​)=v0​+By
由于 B B B 中列向量线性无关,有 r a n k ( B ) = k rank(B)=k rank(B)=k。则存在线性变换 A = [ A 1 A 2 ] ∈ R n × n A=\begin{bmatrix}A_1\\ A_2\end{bmatrix}\in \R^{n\times n} A=[A1​A2​​]∈Rn×n 将其变为
A B = [ A 1 A 2 ] B = [ I k 0 ] AB=\begin{bmatrix} A_1\\ A_2 \end{bmatrix}B =\begin{bmatrix} I_k\\ 0 \end{bmatrix} AB=[A1​A2​​]B=[Ik​0​]
A A A 满足为非奇异矩阵,即所有奇异值非零。在 x = v 0 + B y x=v_0+By x=v0​+By 两侧同乘 A A A,得到
x = v 0 + B y ⇔ A x = A x 0 + A B y ⇔ [ A 1 A 2 ] x = [ A 1 A 2 ] v 0 + [ A 1 B A 2 B ] y ⇔ { A 1 x = A 1 v 0 + y A 2 x = A 2 v 0 ⇔ { A 1 x ≥ A 1 v 0 1 T A 1 x = 1 + 1 T A 1 v 0 A 2 x = A 2 v 0 \begin{aligned} &x=v_0+By\\ \Leftrightarrow &Ax=Ax_0+ABy\\ \Leftrightarrow &\begin{bmatrix} A_1\\ A_2 \end{bmatrix}x= \begin{bmatrix} A_1\\ A_2 \end{bmatrix}v_0+ \begin{bmatrix} A_1B\\ A_2B \end{bmatrix}y\\ \Leftrightarrow & \begin{cases} A_1x=A_1v_0+y\\A_2x=A_2v_0 \end{cases}\\ \Leftrightarrow &\begin{cases} A_1x\ge A_1v_0\\ 1^TA_1x=1+1^TA_1v_0\\ A_2x=A_2v_0 \end{cases} \end{aligned} ⇔⇔⇔⇔​x=v0​+ByAx=Ax0​+ABy[A1​A2​​]x=[A1​A2​​]v0​+[A1​BA2​B​]y{A1​x=A1​v0​+yA2​x=A2​v0​​⎩⎪⎨⎪⎧​A1​x≥A1​v0​1TA1​x=1+1TA1​v0​A2​x=A2​v0​​​
其中第三个等价是因为 A 2 v 0 = 0 A_2v_0=0 A2​v0​=0,第四个等价是代入了 y ≥ 0 , 1 T y = 1 y\ge 0,1^Ty=1 y≥0,1Ty=1 的两个限制。表明单纯性可由上述若干个等式和不等式约束来描述。

矩阵凸集

对称矩阵集合 S n = { x ∈ R n × n ∣ x = x T } S^n=\{x\in \R^{n\times n}|x=x^T\} Sn={x∈Rn×n∣x=xT}。

对称半正定矩阵集合 S + n = { x ∈ R n × n ∣ x = x T , x ⪰ 0 } S^n_+=\{x\in \R^{n\times n}|x=x^T,x\succeq 0\} S+n​={x∈Rn×n∣x=xT,x⪰0},其中 X ⪰ 0 X\succeq 0 X⪰0 表示 X X X 的所有奇异值均非负。

对称正定矩阵集合 S + + n = { x ∈ R n × n ∣ x = x T , x ≻ 0 } S_{++}^n=\{x\in \R^{n\times n}|x=x^T,x\succ 0\} S++n​={x∈Rn×n∣x=xT,x≻0}。


证明 S + n S_+^n S+n​ 是凸锥: ∀ θ 1 , θ 2 ≥ 0 \forall \theta_1,\theta_2\ge 0 ∀θ1​,θ2​≥0, ∀ A , B ∈ S + n \forall A,B\in S_+^n ∀A,B∈S+n​,往证 θ 1 A + θ 2 B ∈ S + n \theta_1A+\theta_2B\in S_+^n θ1​A+θ2​B∈S+n​。由于 ∀ x ∈ R n \forall x\in \R^n ∀x∈Rn, x T A x ≥ 0 , x T B x ≥ 0 x^TAx\ge 0,x^TBx\ge 0 xTAx≥0,xTBx≥0,有
x T ( θ 1 A + θ 2 B ) x = x T θ 1 A x + x T θ 2 B x ≥ 0 x^T(\theta_1A+\theta_2B)x=x^T\theta_1Ax+x^T\theta_2Bx\ge 0 xT(θ1​A+θ2​B)x=xTθ1​Ax+xTθ2​Bx≥0
因此 S + n S_+^n S+n​ 是凸锥。

显然对称矩阵集合是凸锥。

但 S + + n S_{++}^n S++n​ 不是凸锥。当 n = 1 n=1 n=1 时, S + n = R + S_+^n=\R_+ S+n​=R+​, S + + n = R + + S_{++}^n=\R_{++} S++n​=R++​, S n = R S^n=\R Sn=R。显然 R + + R_{++} R++​ 不是凸锥。考虑 n n n 更大的时候,在 S n = S_n^= Sn=​ 是凸锥的证明中最后一步不能用大于号,因为 θ 1 , θ 2 \theta_1,\theta_2 θ1​,θ2​ 可以同时为 0 0 0。

标签:笔记,v0,forall,cdots,x2,theta,x1,优化
来源: https://blog.csdn.net/qq_33229466/article/details/121877666