{
  "id": "concave-function",
  "title": "凹函数",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "凹函数在各点加权平均处的函数值，不小于这些点的函数值按相同权重求得的加权平均。",
  "category": "mathematics",
  "subcategory": "analysis",
  "type": "concept",
  "aliases": [],
  "generated_at": "2026-11-05",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/concave-function/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/concave-function/",
      "json": "https://aiwiki.page/en/concave-function.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "凹函数是一种实值函数：在任意两点的加权平均处，其函数值不小于这两点的函数值按相同权重求得的加权平均。从几何上看，连接其图像上任意两点的线段，都位于图像上或图像下方。凹性与凸性通过符号反转相互对应：\\(f\\) 为凹函数，当且仅当 \\(-f\\) 为凸函数。凹性是优化、概率论、经济学和数学分析中的核心概念。"
    },
    {
      "heading": "定义",
      "text": "设 \\(C\\) 是实向量空间中的一个凸集。若对任意 \\(x,y\\in C\\) 和任意 \\(t\\in[0,1]\\)，都有\n\n\\[f((1-t)x+ty)\\geq (1-t)f(x)+tf(y),\\]\n\n则称函数 \\(f:C\\to\\mathbb{R}\\) 为凹函数。\n\n要求 \\(C\\) 为凸集，是为了保证 \\((1-t)x+ty\\) 属于定义域。\n\n更一般地，上述两点不等式意味着，对于任意有限个点 \\(x_1,\\ldots,x_m\\in C\\) 以及满足 \\(\\sum_i\\lambda_i=1\\) 的非负权重 \\(\\lambda_1,\\ldots,\\lambda_m\\)，都有\n\n\\[f\\left(\\sum_{i=1}^{m}\\lambda_i x_i\\right) \\geq \\sum_{i=1}^{m}\\lambda_i f(x_i).\\]\n\n左侧函数的自变量是这些点的凸组合。因此，凹性意味着先取平均再求函数值，所得结果不小于先求函数值再取平均的结果。\n\n凹性描述的是函数的形状，而不是函数的增减性。凹函数可以递增、递减，也可以在定义域的一部分上递增，在另一部分上递减。\n\n严格凹性\n\n如果只要 \\(x\\ne y\\) 且 \\(0<t<1\\)，就有\n\n\\[f((1-t)x+ty)>(1-t)f(x)+tf(y),\\]\n\n则称该函数为严格凹函数。\n\n严格凹性排除了图像中一切非平凡的直线段。仿射映射，例如 \\(f(x)=a^\\mathsf{T}x+b\\)，既是凹函数，也是凸函数，但在任何包含两个不同点的定义域上都不是严格凹函数。\n\n强凹性\n\n在欧几里得空间的凸子集上，如果对所有符合条件的 \\(x,y,t\\)，都有\n\n\\[f((1-t)x+ty) \\geq (1-t)f(x)+tf(y) +\\frac{\\mu}{2}t(1-t)\\|x-y\\|^2,\\]\n\n则称 \\(f\\) 为参数为 \\(\\mu>0\\) 的强凹函数，其中 \\(\\|\\cdot\\|\\) 为欧几里得范数。\n\n等价地，函数\n\n\\[x\\longmapsto f(x)+\\frac{\\mu}{2}\\|x\\|^2\\]\n\n为凹函数。强凹性为函数图像与其弦之间的差距提供了一个统一的二次下界。强凹性蕴含严格凹性，但严格凹性未必蕴含强凹性。"
    },
    {
      "heading": "几何刻画",
      "text": "弦与下图集\n\n对于一元函数，凹性意味着图像的每一条弦，在两个端点之间都位于图像上或图像下方。\n\n在任意维度中，\\(f\\) 的**下图集**定义为\n\n\\[\\operatorname{hypo} f = \\{(x,r):x\\in C,\\ r\\leq f(x)\\}.\\]\n\n一个函数为凹函数，当且仅当其下图集是凸集。这一刻画完全通过集合的几何性质来描述凹性，不要求函数可微。\n\n切平面上界\n\n设 \\(f\\) 在 \\(\\mathbb{R}^n\\) 的一个开凸子集上可微。那么，\\(f\\) 为凹函数，当且仅当对其定义域中的任意 \\(x,y\\)，都有\n\n\\[f(y)\\leq f(x)+\\nabla f(x)^\\mathsf{T}(y-x),\\]\n\n其中 \\(\\nabla f(x)\\) 是其梯度。\n\n因此，任意一点处的切仿射函数都是全局上界。这与凸函数的切平面下界性质相反。\n\n对于不可微的函数，若向量 \\(g\\) 满足\n\n\\[f(y)\\leq f(x)+g^\\mathsf{T}(y-x) \\qquad\\text{for all }y\\in C,\\]\n\n则称其为 \\(x\\) 处的**超梯度**。对于有限维凸定义域上的有限值凹函数，在定义域相对内部的每一点处，都存在支撑仿射上界；边界点处是否存在这样的上界，则需要额外考察。"
    },
    {
      "heading": "导数判别法",
      "text": "一元函数\n\n开区间上的可微函数为凹函数，当且仅当其导数单调不增。如果该函数二阶可微，这又等价于在整个区间上都有\n\n\\[f''(x)\\leq 0.\\]\n\n若在整个区间上满足更强的条件\n\n\\[f''(x)<0,\\]\n\n则可保证严格凹性，但这并非严格凹性的必要条件。例如，\\(f(x)=-x^4\\) 在 \\(\\mathbb{R}\\) 上严格凹，尽管 \\(f''(0)=0\\)。\n\n也可以不借助导数来描述凹性。对于定义域中满足 \\(a<b<c\\) 的点，有\n\n\\[\\frac{f(b)-f(a)}{b-a} \\geq \\frac{f(c)-f(a)}{c-a} \\geq \\frac{f(c)-f(b)}{c-b}.\\]\n\n这些不等式表明，随着区间向右移动，割线斜率逐渐减小。\n\n多元函数\n\n对于 \\(\\mathbb{R}^n\\) 的开凸子集上的二阶连续可微函数，凹性等价于其海森矩阵处处为半负定矩阵：\n\n\\[v^\\mathsf{T}\\nabla^2f(x)v\\leq 0 \\qquad\\text{for every }v\\in\\mathbb{R}^n.\\]\n\n等价地，海森矩阵的每个特征值都非正。\n\n海森矩阵处处负定，可以保证严格凹性。与一维情形一样，这一条件是充分条件，但不是必要条件。\n\n在相同的光滑性假设下，参数为 \\(\\mu\\) 的强凹性等价于对所有 \\(x\\) 和 \\(v\\)，都有\n\n\\[v^\\mathsf{T}\\nabla^2f(x)v \\leq -\\mu\\|v\\|^2.\\]\n\n如果定义域位于一个较低维的仿射子空间中，则相关曲率条件只需沿平行于该子空间的方向成立。"
    },
    {
      "heading": "例子",
      "text": "- 对数。 自然对数在 \\((0,\\infty)\\) 上严格凹，因为\n\n\\[\\frac{d^2}{dx^2}\\log x=-\\frac{1}{x^2}<0.\\]\n\n它在整个正半轴上并非强凹，因为当 \\(x\\to\\infty\\) 时，这一曲率趋于零。\n- 分数次幂。 当 \\(0<\\alpha<1\\) 时，函数 \\(f(x)=x^\\alpha\\) 在 \\([0,\\infty)\\) 上严格凹。平方根函数就是一个常见的例子。\n- 负二次函数。 若 \\(Q\\) 是对称半正定矩阵，则\n\n\\[f(x)=-\\frac12x^\\mathsf{T}Qx+b^\\mathsf{T}x+c\\]\n\n为凹函数。若 \\(Q\\) 为正定矩阵，则该函数为强凹函数，其参数可取为 \\(Q\\) 的最小特征值。\n- 绝对值的负值。 函数 \\(f(x)=-|x|\\) 在 \\(\\mathbb{R}\\) 上为凹函数，但它在零点不可微，在整个定义域上也不是严格凹函数。\n- 坐标的最小值。 函数\n\n\\[f(x_1,\\ldots,x_n)=\\min\\{x_1,\\ldots,x_n\\}\\]\n\n为凹函数，在多个坐标同时取得最小值的点处通常不可微。\n- 熵。 对于有限维概率向量 \\(p=(p_1,\\ldots,p_n)\\)，香农信息熵\n\n\\[H(p)=-\\sum_{i=1}^{n}p_i\\log p_i,\\]\n\n其中约定 \\(0\\log 0=0\\)，在概率单纯形上严格凹。"
    },
    {
      "heading": "保持凹性的运算与正则性质",
      "text": "多种运算都能保持凹性：\n\n- 凹函数以非负系数加权求和，所得函数仍为凹函数。\n- 加上仿射函数后，凹性保持不变。\n- 将凹函数与仿射映射复合，所得函数在相应的凸定义域上仍为凹函数。\n- 若 \\(g\\) 为凹函数且单调不减，\\(f\\) 也为凹函数，则 \\(g\\circ f\\) 在复合有定义的范围内为凹函数。\n- 在同一个凸定义域上，一族凹函数的逐点下确界仍为凹函数，前提是该下确界在此定义域上处处取有限值。\n\n相比之下，凹函数的逐点最大值未必为凹函数。例如，\\(x\\) 和 \\(-x\\) 都是凹函数，但它们的最大值 \\(|x|\\) 不是凹函数。凹函数的乘积通常也不保持凹性。\n\n有限维凸定义域上的有限值凹函数，在定义域的相对内部是连续的，并且在那里局部满足 Lipschitz 条件。仅凭凹性无法保证边界点处的连续性。例如，在 \\([0,1]\\) 上定义的函数\n\n\\[f(0)=0,\\qquad f(x)=1\\quad\\text{for }0<x\\leq1\\]\n\n为凹函数，但在零点不连续。"
    },
    {
      "heading": "詹森不等式",
      "text": "詹森不等式将有限加权平均不等式推广到概率分布。若 \\(X\\) 是取值于凸定义域的可积随机向量，且相关期望均为有限值，则\n\n\\[f(\\mathbb{E}[X])\\geq\\mathbb{E}[f(X)].\\]\n\n这里，\\(\\mathbb{E}\\) 表示期望值。该不等式比较了均值处的函数值与函数值的均值。\n\n若 \\(f\\) 严格凹，则等号成立仅当 \\(X\\) 几乎必然为常量。对于一般的凹函数，如果分布的支撑位于函数呈仿射性的区域中，也可能出现等号。\n\n对于对数函数，其有限形式为\n\n\\[\\log\\left(\\sum_i\\lambda_i x_i\\right) \\geq \\sum_i\\lambda_i\\log x_i,\\]\n\n两边取指数后，即得到加权算术—几何平均不等式。"
    },
    {
      "heading": "在优化中的作用",
      "text": "在凸可行集上最大化凹目标函数，是凸优化的一种标准形式，因为这等价于最小化凸函数 \\(-f\\)。\n\n凹性提供了若干重要保证：\n\n- 每个局部最大值都是全局最大值。\n- 最大值点的集合是凸集。\n- 严格凹函数在凸定义域上至多有一个最大值点。\n- 对于可微凹函数，梯度为零的内点必为全局最大值点。\n\n更一般地，若可行点 \\(x^\\ast\\) 满足\n\n\\[\\nabla f(x^\\ast)^\\mathsf{T}(y-x^\\ast)\\leq0 \\qquad\\text{for all feasible }y,\\]\n\n则它是全局最大值点。\n\n这些结论并不保证最大值点存在。例如，\\(\\log x\\) 在 \\((0,\\infty)\\) 上为凹函数，但无上界。根据极值定理，非空紧可行集上的连续函数一定能取得最大值。\n\n强凹性还给出了定量界。对于可微的 \\(\\mu\\)-强凹函数，若 \\(x^\\ast\\) 是其无约束最大值点，则\n\n\\[f(x^\\ast)-f(x)\\geq\\frac{\\mu}{2}\\|x-x^\\ast\\|^2.\\]\n\n因此，较小的目标函数值差距，可以给出到最优解距离的上界。"
    },
    {
      "heading": "应用与相关概念",
      "text": "在经济学中，凹效用函数用于刻画边际效用递减：在导数存在的地方，边际效用不会随着消费量增加而上升。在期望效用模型中，凹性还通过詹森不等式导出体现风险厌恶的不等式。\n\n在最大似然估计中，某些统计模型的对数似然函数是凹函数。当这一性质在凸参数域上成立时，便能简化优化过程，并排除非全局的局部最大值。对数似然的凹性取决于具体模型，并非似然函数普遍具有的性质。\n\n在信息论中，熵的凹性描述了混合概率分布的效果：混合分布的熵，不小于各组成分布的熵按相应权重求得的平均值。\n\n一个相关但更弱的性质是**拟凹性**。若函数满足\n\n\\[f((1-t)x+ty)\\geq\\min\\{f(x),f(y)\\},\\]\n\n则称其为拟凹函数。\n\n等价地，其所有上水平集都是凸集。每个凹函数都是拟凹函数，但反过来不成立。例如，\\(\\mathbb{R}\\) 上的指数函数由于单调递增而具有拟凹性，但它是严格凸函数，而不是凹函数。凹性对线段上各点的函数值施加了定量约束，而拟凹性仅约束上水平集的几何形状。"
    }
  ],
  "links": [
    "mathematical-function",
    "convex-function",
    "vector-space",
    "convex-set",
    "convex-combination",
    "affine-map",
    "euclidean-space",
    "gradient",
    "derivative",
    "hessian-matrix",
    "natural-logarithm",
    "information-entropy",
    "continuous-function",
    "jensens-inequality",
    "random-variable",
    "expected-value",
    "feasible-set",
    "objective-function",
    "convex-optimization",
    "extreme-value-theorem",
    "economics",
    "maximum-likelihood-estimation"
  ],
  "sources": [],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}