第二章 基本概念 基本理论
第 二 章 基本概念 和 基本理论
2.0、预备知识 1、向量和子空向投影定理 (1)n维欧氏空间:R 点(向量):xeB,x=(x,x2,…,x) 分量x;∈R(实数集) 方向(自由向量):d∈R,d≠0 d=(l1,d2,…,)表示从0指向d的方向 实用中,常用x+Md表示从x点出发沿d方向 动Ad长度得到的点 d x+(12d
2.0、预备知识 1、向量和子空间投影定理 (1) n维欧氏空间:R n 点(向量):x R n , x = (x1 ,x2 ,…,xn) T 分量 xi R (实数集) 方向(自由向量):d R n , d 0 d =(d1 ,d2 ,…,dn) T 表示从0指向d 的方向 实用中,常用 x + d 表示从x 点出发沿d 方向移 动d 长度得到的点 d 0 x x+(1/2)d
20、预备知识(续) 1、向量和子空间投影定理 (2)向量运算:x,y∈R x,y的内积 1=2x出=x+x22+…+xny x,y的距离:xyl=(xy)(xy)2) x的长度 Lx=lxx (1/2) 三角不等式:x+y+yl 点列的收敛:设点列{x6)}cR,x∈R 点列{x6)}收敛到x,记 x=x台mx1=0=x
2.0、预备知识(续) 1、向量和子空间投影定理 (2) 向量运算:x , y R n n x , y 的内积:x Ty = xiyi = x1y1+ x2y2+ …+ xnyn i =1 x , y 的距离: ‖x-y ‖= [(x-y) T(x-y)](1/2) x 的长度: ‖x‖= [ x Tx ] (1/2) 三角不等式: ‖x + y ‖≤‖x‖+‖y‖ 点列的收敛:设点列{x (k)} R n , x R n 点列{x (k)}收敛到 x ,记 lim x (k) = x lim‖x (k) - x‖ = 0 lim xi (k) = xi ,i k→ k→ k→ x+y y x
20、预备知识(续) 1、向量和子空间投影定理 (3)子空间:设d,d(),…,.d(m)∈,d()≠0 记(d(0,d),:1m)={x=2ad0|a∈R 为由向量d),d2),…,dm生成的子空间,简记为L。 ●正交子空间:设L为的子空间,其正交子空间为 L={x∈P|xy=0,抄yeL} 子空间投影定理:设L为R的子空间。那么 唯一x∈L,y∈L,使z=x+y,且x为问题 min z-ull t.ul∈L 的唯一解,最优值为y 特别,L=时,正交子空间L={0}(零空间)
2.0、预备知识(续) 1、向量和子空间投影定理 (3) 子空间:设 d (1) , d (2) , … , d (m) R n , d (k) 0 m 记 L( d (1) , d (2) , … , d (m) )={ x = j d (j) jR } j =1 为由向量d (1) , d (2) , … , d (m) 生成的子空间,简记为L。 ⚫ 正交子空间:设 L 为R n 的子空间,其正交子空间为 L ⊥ ={ x R n x Ty=0 , y L } ⚫ 子空间投影定理:设 L 为R n 的子空间。那么 x R n , 唯一 x L , y L ⊥ , 使 z=x+y , 且 x 为问题 min ‖z - u‖ s.t. u L 的唯一解,最优值为‖y‖。 ⚫ 特别, L =R n 时,正交子空间 L ⊥ ={ 0 }(零空间)
20、预备知识(续) 规定:x,y∈R,xsy分x≤y,i类 似规定x≥y,x=y,xy 一个有用的定理 设x∈,c∈R,D为的线性子空间, (1)若xy≤a,Vy∈R且y≥0, 则x≤0,a≥0. (2)若xy≤a,vy∈LgR, 则x∈L,a≥0.(特别,L=时x=0) 定理的其他形式: “著若xy≤a,Vy∈m且y≤0,则x≥0,a≥0 “若xy≥a,Vy∈n且y≥0,则x≥0,a≤0” 若xy≥a,Vy∈R且y≤0,则x≤0,a≤0 若xy≥a,Vy∈Lgr2,则x∈l,a≤0
2.0、预备知识(续) ⚫ 规定:x , y R n ,x ≤ y xi ≤ yi ,i 类 似规定 x ≥ y,x = y,x y . ⚫ 一个有用的定理 设 xR n ,R,L为R n 的线性子空间, (1)若 x Ty ≤ , yR n 且 y ≥ 0, 则 x ≤ 0, ≥ 0 . (2)若 x Ty ≤ , y L R n , 则 x L ⊥ , ≥ 0 .(特别, L=R n 时,x =0) ⚫ 定理的其他形式: “若 x Ty ≤ , yR n 且 y ≤ 0,则 x ≥ 0, ≥ 0 .” “若 x Ty ≥ , yR n 且 y ≥ 0,则 x ≥ 0, ≤ 0 .” “若 x Ty ≥ , yR n 且 y ≤ 0,则 x ≤ 0, ≤ 0 .” “若 x Ty ≥ , y L R n , 则 x L ⊥ ,≤ 0
20、预备知识(续) 2、多元函数及其导数 (1)m元函数:∫(x):R→R 线性函数:f()=c1x+b=2+b 二次函数:f(x)=(1/2)xTQx+cx 12)212a1x1x+E 向量值线性函数:F(x)=Ax+d∈m 其中A为m矩阵,m雄维向量 F(x)=(f(x0,f2(x) x 记a为4的第行向量,fx)=a1x
2.0、预备知识(续) 2、多元函数及其导数 (1) n元函数:f (x): R n → R 线性函数:f (x) = cTx + b = ci xi + b 二次函数:f (x) = (1/2) xTQx + cTx + b = (1/2)i j aij xi xj + ci xi + b 向量值线性函数:F(x) = Ax + d R m 其中 A为 mn矩阵,d为m维向量 F(x)=( f1 (x), f2 (x), … , fm(x) ) T 记 ai T为A的第i行向量,fi (x) = ai Tx
20、预备知识(续) 2、多元函数及其导数 (2)梯度(一阶偏导数向量) vfG=(af/axr, af/0x2, .,af/Bxn)ER 线性函数:f(x)=cx+b,Vf(x) 二次函数:∫(x)=(1/2)xTQx+cx+b Vf(=ox+c 向量值线性函数:Fx)=Ax+d∈m OF/Ox=AT
2.0、预备知识(续) 2、多元函数及其导数 (2) 梯度(一阶偏导数向量): f (x)=( f / x1 , f / x2 , … , f / xn ) T R n . 线性函数:f (x) = cTx + b , f (x) = c 二次函数:f (x) = (1/2) xTQx + cTx + b f (x) = Qx + c 向量值线性函数:F(x) = Ax + d R m F / x = AT
20、预备知识(续) 2、多元函数及其导数 (3) Hesse阵(二阶偏导数矩阵) of/,2 af/a f/anaI Vf(x)=of/a, d, f/a? o/an,a olf/aan of/a, ar 线性函数:f(x)=c"x+b,V/(x)=0 二次函数:f(x)=12)xx+cx+b,V(x)
2.0、预备知识(续) 2、多元函数及其导数 (3) Hesse 阵(二阶偏导数矩阵): 2 f /x1 2 2 f /x2 x1 … 2 f /xn x1 2 f (x)= 2 f /x1 x2 2 f /x2 2 … 2 f /xn x2 … … … … 2 f /x1 xn 2 f /x2 xn … 2 f /xn 2 线性函数:f (x) = cTx + b , 2 f (x) = 0 二次函数:f (x) = (1/2) xTQx + cTx + b, 2 f (x)=Q
20、预备知识(续) 2、多元函数及其导数 (4)m元函数的 Taylor展开式及中值公式 设∫(x):R→R,二阶可导。在x*的邻内 ●一阶 Taylor展开式 fe-f(x)+ vf(r(x-x)+olkx-x" 二阶 Taylor展开式: f()=f()+ vf(x(x-x)+(/2)(x-x) Vf(x(x-x 0L/2 一阶中值公式:对xλ∈(0,1),使 f(r)=f( +[ Vf(x*+l(x-x )I(x-x%) ● Lagrange 余项:对x,3H∈(O,1),记=x*(xx f()=f(x+V/(y(xx)+(12)(xy)v2r=xy
2.0、预备知识(续) 2、多元函数及其导数 (4)n元函数的Taylor展开式及中值公式: 设 f (x): R n → R ,二阶可导。在x* 的邻域内 ⚫ 一阶Taylor展开式: f (x) = f (x*)+ f T (x*)(x-x*) + o‖x-x*‖ ⚫ 二阶Taylor展开式: f (x) = f (x*)+ f T (x)(x-x*) + (1/2)(x-x*)T 2 f (x*)(x-x*) + o‖x-x*‖ 2 ⚫ 一阶中值公式:对x, (), 使 f (x) = f (x*)+ [f (x*+(x-x*))] T (x-x*) ⚫ Lagrange余项:对x, (), 记x =x*+ (x-x*) f (x) = f (x*)+ f T (x)(x-x*) + (1/2)(x-x*)T 2 f (x )(x-x*)
2.1数学规划模型的一般形式 in f(a) 目标函数 (S) st.x∈S 约束集合,可行集 其中,SsR',f:s→R,x∈S称(∫S)的可行解 最优解:x*∈S,满足f(x)≤∫(x),Vx∈S则称 x为(S)的全局最优解(最优解), 记gop.( global optimum,简记opt ●最优值:x为(fS)的最优解,则称f*=f(x)为 S)的最优值(最优目标函数值)
2.1 数学规划模型的一般形式 min f(x) --------目标函数 s.t. xS --------约束集合,可行集 其中,S R n ,f :S → R,xS称(f S )的可行解 ⚫ 最优解: x*S,满足f (x*)≤ f (x), xS。则称 x*为(f S)的全局最优解(最优解), 记 g.opt.(global optimum),简记 opt. ⚫ 最优值: x*为(f S)的最优解, 则称 f * = f (x*) 为 (f S)的最优值(最优目标函数值) ( f S )