凸优化笔记（一）：仿射集，凸集与锥

仿射集合affine set 如果通过集合C⊆RnC\subseteq \mathbf{R}^nC⊆Rn中任意两个不同点的直线仍然在集合C中，那么称集合C是仿射的。C⊆RnC\subseteq \mathbf{R}^nC⊆Rn是仿射的等价于：对任意x1,x2∈Cx_1,x_2\in Cx1​,x2​∈C及θ∈R\theta \in \mathbf{R}θ∈R有θx1+(1−θ)x2∈C\theta x_1+(1-\theta) x_2\in Cθx1​+(1−θ)x2​∈C。 换句话说，C包含了C中任意两点

AFFiNE是一款开源的下一代知识库工具，它将规划、整理和创作功能完美融合，以隐私优先、开源、可定制的特性，为用户提供了超越Notion和Miro的协作体验。无论是团队项目管理还是个人知识整理，AFFiNE都能满足多语言环境下的协作需求。 ## 为什么选择AFFiNE搭建多语言协作平台？ AFFiNE作为一款功能丰富的协作工具，在多语言协作方面具有独特优势。它不仅支持多种内容块，还能让用户在本

说到凸优化，免不了涉及到一个名词：凸集。顾名思义，凸集就是一个凸的集合。那么，问题来了，什么样的集合能被称为是凸的呢？在解答这个疑问之前，我们先从凸集里一个比较特殊的例子——仿射集讲起。当你理解了什么是仿射集的时候，你其实离知道什么是凸集已经不远了。

第二章凸集 主要内容: 仿射集合和凸集 重要例子 保凸运算 广义不等式 分离和支撑超平面 对偶锥与广义不等式 2.1仿射集合和凸集 仿射集合 仿射集合：集合中任意两个不同点的直线仍然在集合中，那么称集合是仿射集合。 如上图，对于，取不同的可以得到不同的点，这些点构成了经过的直线。 如果将两个点扩展到多个点，引出仿射组合的概念，首先，则具有的形式的点为的仿射组合。 仿射集合的例子：显然 仿射包：集合C中的点的所有仿射组合组成的集合为C的仿射包。 凸集 凸集可以理解成一

凸优化学习 今天主要是几个概念的讲解，凸集，仿射集 学习笔记 一、仿射集（Affine Sets） 这是最简单的凸集，是凸集的一个特例。 定义一 文字： 一个集合CCC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CCC内。 数学： ∀x1,x2∈C,ζ1:y=θx1+(1−θ)x2⊂Cx1≠...

该系列笔记基于Stephen Boyd的convex optimization，配合哔站凌青教授的凸优化课程，记录下来的简易笔记。 本次笔记主要关于凸优化的三个基础概念

前言 如果你对这篇文章可感兴趣，可以点击「【访客必读 - 指引页】一文囊括主页内所有高质量博客」，查看完整博客分类与对应链接。 文章目录前言一、介绍习题建议Chapter 2Chapter 3Chapter 4Chapter 5基本概念二、凸集仿射集 (Affine Sets)基本概念举例凸集 (Convex Sets)基本概念典型凸集凸集性质锥 (Cone)总结 一、介绍 习题建议 Chapter 2 2.1、2.2、2.5、2.7、2.10、2.16、2.18、2.19 Chapter 3 3.1、3.

文章目录一、仿射集 Affine Sets1：仿射集相关定义与证明2：仿射集的性质（1）相关子空间 一、仿射集 Affine Sets 1：仿射集相关定义与证明 直线\color{red}\textbf{直线}直线 给定空间的两个点x1,x2∈Rnx_1,x_2\in R^nx1​,x2​∈Rn,，我们可以确定一条过这两个点的直线 y=θx1+(1−θ)x2=x2+θ(x1−x2)y=\theta...

1 定义和基本概念 1.0直线的空间参数方程 A，B，M三点共线： 直线的参数方程：给定一个定点A和向量，则 ，取，则 1.1 直线和线段 如果,则经过两点的直线可表示为： 或： 如果,则表示为线段。 1.2 仿射 如果通过集合的两个不同的点的直线，仍在C中，则称C是仿射。也就是仿射等价于 如果, 那么直线 1.3 仿射集 仿射的概念可以推广到n个点...

本文介绍了凸集及其相关概念，包括仿射集合、凸集和凸锥。主要内容分为四部分：1）直线和线段的定义与性质；2）仿射集的定义、仿射组合和仿射包；3）凸集的定义、凸组合和凸包，并给出多面体、Euclid球等典型实例；4）凸锥的定义、锥组合和锥包，以及半正定矩阵锥等例子。文章通过数学定义和几何实例系统阐述了这些概念之间的区别与联系，为理解优化问题中的凸性提供了理论基础。

一个集合的仿射包，是集合内元素的所有仿射组合； 一个集合的凸包，是集合内元素的所有凸组合。 对于一个集合 SSS，假设它有 kkk 个点，每个点为 xix_ixi​，则仿射包可以定义为： {∑i=1kaixi∣xi∈S,∑i=1kai=1,ai∈R} \{\sum_{i=1}^k a_ix_i|x_i\in S, \sum_{i=1}^k a_i=1,a_i\in\mathbb{R}\} {i=1∑k​ai​xi​∣xi​∈S,i=1∑k​ai​=1,ai​∈R} 若要求 ai≥0a_i\geq0ai​≥0

凸集（Convex sets） 1.仿射集和凸集 仿射集(Affine set)： 定义：如果通过C中任意两个不同点的线位于C中，则集合C⊆Rn就是仿射 其中， 凸集(Convex set)： 定义：如果C中的任意两点之间的线段为C，则集合C是凸的 其中， 例子： 左侧，六边形，包括它的边界（显示较深），是凸的。 中间，肾形集合不是凸的，因为集合中显示的两个点之间的线段不包含在集合中。 右侧，该正方形包含一些边界点，但不包含其他边界点，并且不是凸的。 凸包(convex hulls) 集合C的凸壳，

仿射组合（Affine Combination） 对于数域为 FF\mathbb F 的线性空间 VVV 中的任意 nnn 个向量 a1,⋯,an,a1,⋯,an,a_1, \cdots, a_n, 称向量 β=∑i=1nxiαi,β=∑i=1nxiαi,\beta = \sum \limits_{i = 1} ^{n} x _{i} \alpha _{i}, （其中 ∑i=1nxi=1,x...

本文部分内容来自。

中的点，允许进行仿射组合（即系数和为1的线性组合）所能到达的所有点的集合。它可以被看作是“拉伸”中的一个平面），但在其仿射包（这个平面本身）内，它是有内部的。的仿射维度是其仿射包的维度，即。所“占据”空间的最小维度。以填满其所在的最小平面或空间。在整个空间中没有内部（例如在。在其仿射包内的内部。作为仿射空间的维度。

对于RnR^n中的子集CC，当x∈C,y∈C,0<λ<1x\in C,y\in C,0<\lambda<1 时，(1−λ)x+λy∈C(1-\lambda)x+\lambda y\in C，那么我们说集合CC是凸的。所以仿射集(包括∅\emptyset和RnR^n本身)是凸的，之所以凸集比仿射集更普遍是因为对于不同的点x,yx,y，凸集只包含通过x,yx,y直线的一部分，也就是 {(1−λ)x+λ

锥Cones 如果对于任意x∈Cx\in Cx∈C和θ≥0\theta \geq 0θ≥0，都有θx∈C\theta x \in Cθx∈C，我们称集合C是锥cones，或者非负齐次(nonnegative homogeneous )的。如果集合C是锥，并且是凸的，则称C为凸锥(convex cone)，即对任意x1,x2∈Cx_1,x_2 \in Cx1​,x2​∈C和θ1,θ2≥0\theta_1, \theta_2\geq 0θ1​,θ2​≥0，都有 θ1x1+θ2x2∈C\theta_1x_1+\t

组合侧重于描述由一些基点生成新的点，强调的是不同点的权重和几何位置。集合侧重于描述许多个点形成的形状，强调的是完整性和连通性。