标签：right 凸集 mid theta 仿射 优化 ldots left

1. 直线和线段

假设 \(x_1\ne x_2\) 是 \(\mathbf{R}^n\) 空间（n维欧氏空间）中的两个点，直线

\[y=\theta x_1 + (1-\theta)x_2 \]

是穿过 \(x_1\) 和 \(x_2\) 的直线，\(\theta\in \mathbf{R}\) 。若满足 \(\theta\in(0,1)\) ，则 \(y\) 为连接 \(x_1,x_2\) 的线段上的一点。

2. 仿射集(affine sets)

若集合 \(C\) 包含 \(C\) 中任意两点的线性组合，并且其系数之和为 1，则集合 \(C\) 称为仿射集（两点形成的线段上任意一点都属于集合 \(C\)）。即对任意 \(x_1,x_2\in C\) 并且 \(\theta\in\mathbf{R}\) ，有 \(\theta x_1+(1-\theta)x_2\in C\) 。

仿射集可以扩展至多个点。即任意 \(x_1,x_2,\ldots,x_k\in C\) 并且 \(\theta\in\mathbf{R}\) ，有 \(\theta_1 x_1+\ldots+\theta_kx_k\in C\) ，其中 \(\theta_1+\ldots+\theta_k=1\) ，则该集合为仿射集。

几何解释：

• 仿射变换前为直线，变换之后还是直线（直线上的点也仍然在变换后的直线上）
• 直线比例不变

维基百科上非常形象的一个gif图像：

仿射壳/包(affine full)。某个集合 \(C\in\mathbf{R}\) 中的点的所有仿射组合组成的集合，称为仿射壳，表示为：

\[\mathbf{aff}\,C=\{\theta_1 x_1+\ldots+\theta_k x_k|x_1,\ldots,x_k\in C,\theta_1+\ldots+\theta_k=1\} \]

仿射壳是包含集合 \(C\) 的最小仿射集。即集合 \(S\) 是任意满足 \(C\subseteq S\) 的仿射集，从而 \(\mathbf{aff}\,C\subseteq S\) 。

仿射维数：仿射包的维数。

内点（interior）：\(\text { int } C=\{x \mid B(x, r) \subseteq C, r>0\}\)

相对内点（relative interior）：\(\text { relint } C=\{x \mid B(x, r) \cap \operatorname{aff} C \subseteq C, r>0\}\)

3. 凸集（convex sets）

如果 \(C\) 中任意两点之间的线段位于 \(C\) 中，则集合 \(C\)​ 是凸的。对于任意 \(x_1,x_2\in C\) ，任意 \(0\le\theta\le 1\) ，有

\[\theta x_1 + (1-\theta)x_2\in C \]

下图可直观地认识一些简单的凸集和非凸集。

从凸集的几何意义来看，凸集中的任意两点间一定是“无障碍可见”的，即任意一点能通过一条线段到达另外一点，且中间经过的所有点都属于该集合。这意味着凸集都是边界向外凸的，且不能含有未包含的边界点。

凸包。凸包是集合 \(C\) 的最小凸集，包含集合 \(C\) 中点的所有凸组合。

\[\mathbf{conv}\,C=\{\theta_1 x_1+\ldots+\theta_k x_k|x_i\in C,\theta_i\ge 0,i=1,\ldots,k,\theta_1+\ldots+\theta_k=1\} \]

下图是两个非凸集合的凸包。

凸组合的思想可以被推广至无穷和、积分以及最广泛的概率分布中（如数学期望）。

4. 凸锥（cones）

对于任意 \(x_1,x_2,\in C\)，以及任意 \(\theta_1,\theta_2\ge 0\)，凸锥满足

\[\theta_1x_1+\theta_2x_2\in C \]

凸锥：既是凸集又是锥。

其几何形状如下图。

锥包（conic hull）是包含集合 \(C\) 的最小凸锥（集合 \(C\) 内的点的所有锥的组合）。可表示为

\[\left\{\theta_{1} x_{1}+\cdots+\theta_{k} x_{k} \mid x_{i} \in C, \theta_{i} \geq 0, i=1, \ldots, k\right\} \]

锥包的几何意义可由下图解释。

5. 超平面和半空间

超平面。其中a为该平面的法向量（这里是用二维的线来表示超平面），表示超平面的方向。

半空间。被超平面分割为两个半空间。

6. 欧式球和椭球

欧式球（euclidean ball）：二维的圆，三维的球，……（以下为两种定义）

\[\begin{aligned} B\left(x_{c}, r\right) &=\left\{x \mid\left\|x-x_{c}\right\|_{2} \leq r\right\} \\ &=\left\{x \mid\left(x-x_{c}\right)^{T}\left(x-x_{c}\right) \leq r^{2}\right\} \\ B\left(x_{c}, r\right) &=\left\{x_{c}+r u \mid\|u\|_{2} \leq 1\right\} \end{aligned} \]

椭球（ellipsoid）：欧式球是椭球的特例，当且仅当 \(P\) 为单位矩阵时椭球变为欧式球。（相当于欧式球做了旋转操作）

\[\begin{align} &E=\left\{x \mid\left(x-x_{c}\right)^{T} P^{-1}\left(x-x_{c}\right) \leq r^{2}\right\}, P 为对称正定矩阵 \\ &E=\left\{x_{c}+A u \mid\|u\|_{2} \leq 1\right\}, A=P^{1 / 2} \end{align} \]

7. 范数球和范数锥

范数（norm）：

\[\begin{aligned} &\|x\| \geq 0,\|x\|=0 \text { 当且仅当 } x=0 \\ &\|t x\|=|t|\|x\|, t \in \mathcal{R} ; \\ &\|x+y\| \leq\|x\|+\|y\| \end{aligned} \]

范数球（norm ball）：

\[B\left(x_{c}, r\right)=\left\{x \mid\left\|x-x_{c}\right\| \leq r\right\} \]

范数锥（norm cone）：

\[\{(x, t) \mid\|x\| \leq t\} \]

8. 多面体（Polyhedra）和单纯形（simplex）

由多个超平面围成的区域。

\[P=\left\{x \mid a_{j}^{T} x \leq b_{j}, c_{i}^{T} x=d_{i}\right\} \]

单纯形（simplex）：

\[\left\{\sum_{i=0}^{k} \theta_{i} v_{i} \mid \theta_{i} \geq 0, \sum_{i=0}^{k} \theta_{i}=1, v_{1}-v_{0}, \ldots, v_{k}-v_{0} \text { 线性无关 }\right\} \]

例如在二维平面有三个点（三点不在同一直线），任意其构成两个向量可以是线性无关的。

三维的单纯形其实就相当于去寻找包含三点的凸包。

标签：right,凸集,mid,theta,仿射,优化,ldots,left
来源： https://www.cnblogs.com/hjd21/p/16601407.html

本站声明： 1. iCode9 技术分享网（下文简称本站）提供的所有内容，仅供技术学习、探讨和分享；
2. 关于本站的所有留言、评论、转载及引用，纯属内容发起人的个人观点，与本站观点和立场无关；
3. 关于本站的所有言论和文字，纯属内容发起人的个人观点，与本站观点和立场无关；
4. 本站文章均是网友提供，不完全保证技术分享内容的完整性、准确性、时效性、风险性和版权归属；如您发现该文章侵犯了您的权益，可联系我们第一时间进行删除；
5. 本站为非盈利性的个人网站，所有内容不会用来进行牟利，也不会利用任何形式的广告来间接获益，纯粹是为了广大技术爱好者提供技术内容和技术思想的分享性交流网站。