Un politopo convexo tridimensional. El análisis convexo incluye no sólo el estudio de subconjuntos convexos de espacios euclidianos sino también el estudio de funciones convexas en espacios abstractos.
Un subconjunto de algún espacio vectorial es convexo si satisface alguna de las siguientes condiciones equivalentes:
Si es real y entonces [1]
si es real y con entonces
Función convexa en un intervalo.
En todo momento, habrá un mapa valorado en números reales extendidos con un dominio que es un subconjunto convexo de algún espacio vectorial. El mapa es una función convexa si
es válido para cualquier real y cualquier con Si esto sigue siendo cierto cuando la desigualdad definitoria ( Convexidad ≤ ) se reemplaza por la desigualdad estricta
entonces se llama estrictamente convexo . [1]
Las funciones convexas están relacionadas con conjuntos convexos. Específicamente, la función es convexa si y sólo si su epígrafe
Una función (en negro) es convexa si y sólo si su epígrafe, que es la región encima de su gráfica (en verde), es un conjunto convexo .Una gráfica de la función convexa bivariada.
es un conjunto convexo. [2] Los epígrafes de funciones de valores reales extendidas desempeñan un papel en el análisis convexo que es análogo al papel que desempeñan las gráficas de funciones de valores reales en el análisis real . Específicamente, el epígrafe de una función extendida de valor real proporciona intuición geométrica que puede usarse para ayudar a formular o probar conjeturas.
El dominio de una función se denota por mientras que su dominio efectivo es el conjunto [2]
La función se llama propia si y para todos [2] Alternativamente, esto significa que existe algo en el dominio de en el cual y nunca es igual a En palabras, una función es propia si su dominio no está vacío, nunca asume el valor y tampoco es idénticamente igual a Si es una función convexa adecuada , entonces existe algún vector y algo tal que
El conjugado convexo de una función extendida de valor real (no necesariamente convexa) es la función del espacio dual (continuo) de y [3]
donde los corchetes denotan la dualidad canónica El biconjugado de es el mapa definido por para cada
Si denota el conjunto de funciones con valores en entonces el mapa definido por se llama transformada de Legendre-Fenchel .
Conjunto subdiferencial y desigualdad de Fenchel-Young
Si y entonces el conjunto subdiferencial es
Por ejemplo, en el caso especial importante donde hay una norma en , se puede demostrar [prueba 1]
que si entonces esta definición se reduce a:
y
Para cualquiera y que se llama desigualdad de Fenchel-Young . Esta desigualdad es una igualdad (es decir ) si y sólo si. Es de esta manera que el conjunto subdiferencial está directamente relacionado con el conjugado convexo.
biconjugado
El biconjugado de una función es el conjugado del conjugado, típicamente escrito como El biconjugado es útil para mostrar cuándo se cumple la dualidad fuerte o débil (a través de la función de perturbación ).
Un problema de minimización convexa ( primal ) es uno de la forma
encontrar cuando se le da una función convexa y un subconjunto convexo
Doble problema
En la teoría de la optimización, el principio de dualidad establece que los problemas de optimización pueden verse desde dos perspectivas: el problema primario o el problema dual.
Si hay condiciones de restricción, estas se pueden incorporar a la función dejando dónde está la función indicadora . Entonces sea una función de perturbación tal que [5]
El problema dual con respecto a la función de perturbación elegida viene dado por
donde es el conjugado convexo en ambas variables de
La brecha de dualidad es la diferencia entre los lados derecho e izquierdo de la desigualdad [6] [5] [7]
Este principio es el mismo que el de la dualidad débil . Si los dos lados son iguales entre sí, entonces se dice que el problema satisface una dualidad fuerte .
Hay muchas condiciones para que se mantenga una dualidad fuerte, tales como:
^ Borwein, Jonathan; Lewis, Adrián (2006). Análisis convexo y optimización no lineal: teoría y ejemplos (2 ed.). Saltador. págs. 76–77. ISBN978-0-387-29570-1.
^ ab Boţ, Radu Ioan; Wanka, Gert; Graduado, Sorin-Mihai (2009). Dualidad en la optimización vectorial . Saltador. ISBN978-3-642-02885-4.
^ Zălinescu 2002, págs. 106-113.
^ Csetnek, Ernö Robert (2010). Superar el fallo de las condiciones clásicas generalizadas de regularidad de puntos interiores en la optimización convexa. Aplicaciones de la teoría de la dualidad a ampliaciones de operadores monótonos máximos . Logos Verlag Berlín GmbH. ISBN978-3-8325-2503-3.
^ Borwein, Jonathan; Lewis, Adrián (2006). Análisis convexo y optimización no lineal: teoría y ejemplos (2 ed.). Saltador. ISBN978-0-387-29570-1.
^ Boyd, Esteban; Vandenberghe, Lieven (2004). Optimización convexa (PDF) . Prensa de la Universidad de Cambridge. ISBN978-0-521-83378-3. Consultado el 3 de octubre de 2011 .
^ La conclusión es inmediata si se supone lo contrario. Arreglar Reemplazar con la norma da Si y es real, entonces usar da donde en particular, tomar da mientras toma da y por lo tanto ; es más, si además porque de la definición de la norma dual se sigue que Porque que es equivalente a ella se sigue lo que implica para todos De estos hechos, ahora se puede llegar a la conclusión. ∎
Referencias
Bauschke, Heinz H.; Combettes, Patrick L. (28 de febrero de 2017). Análisis convexo y teoría del operador monótono en espacios de Hilbert . Libros CMS de Matemáticas. Medios de ciencia y negocios de Springer . ISBN 978-3-319-48311-5. OCLC 1037059594.
Boyd, Esteban ; Vandenberghe, Lieven (8 de marzo de 2004). Optimizacion convexa . Serie Cambridge en Matemáticas Estadística y Probabilística. Cambridge, Reino Unido Nueva York: Cambridge University Press . ISBN 978-0-521-83378-3. OCLC 53331084.
Hiriart-Urruty, J.-B.; Lemaréchal, C. (2001). Fundamentos del análisis convexo . Berlín: Springer-Verlag. ISBN 978-3-540-42205-1.
Cantante, Iván (1997). Análisis convexo abstracto . Serie de monografías y textos avanzados de la Sociedad Canadiense de Matemáticas. Nueva York: John Wiley & Sons, Inc. págs. xxii+491. ISBN 0-471-16015-6. SEÑOR 1461544.
Stoer, J.; Witzgall, C. (1970). Convexidad y optimización en dimensiones finitas . vol. 1. Berlín: Springer. ISBN 978-0-387-04835-2.