{
  "id": "convex-function",
  "title": "凸函数",
  "lang": "zh-Hans",
  "source_lang": "en",
  "summary": "凸函数在输入的加权平均处的值，不大于对应函数值的加权平均。",
  "category": "mathematics",
  "subcategory": "analysis",
  "type": "concept",
  "aliases": [],
  "generated_at": "2026-10-04",
  "model": "pro/gpt-6.1-sol",
  "url": "https://aiwiki.page/zh/convex-function/",
  "translations": {
    "en": {
      "url": "https://aiwiki.page/en/convex-function/",
      "json": "https://aiwiki.page/en/convex-function.json"
    }
  },
  "sections": [
    {
      "heading": "",
      "text": "凸函数是一种函数：它在两个输入之间的值，始终不超过这两个输入处函数值的直线插值。在一维情形下，其图像位于连接任意两个图像点的弦上或弦的下方。凸性的概念可以推广到多元函数，并不要求函数可微。凸性是数学分析和凸优化中的基本概念，将几何结构与全局最优性联系起来。(stanford.edu)"
    },
    {
      "heading": "定义与几何解释",
      "text": "设 \\(C\\) 是实向量空间中的一个凸集。如果对于所有 \\(x,y\\in C\\) 和 \\(t\\in[0,1]\\)，都有\n\n\\[f((1-t)x+ty)\\leq(1-t)f(x)+tf(y),\\]\n\n则称函数 \\(f:C\\to\\mathbb R\\) 为凸函数。\n\n定义域的条件至关重要：连接 \\(C\\) 中任意两点的整条线段都必须包含在 \\(C\\) 中。如果上述不等式反向成立，则称函数为凹函数；等价地，\\(-f\\) 是凸函数。仿射函数，例如 \\(f(x)=a^\\mathsf Tx+b\\)，满足上述等式，因此既是凸函数，也是凹函数。(stanford.edu)\n\n一种等价的几何刻画使用函数的上图集，即集合\n\n\\[\\operatorname{epi}f=\\{(x,r):x\\in C,\\ r\\geq f(x)\\}.\\]\n\n函数是凸函数，当且仅当其上图集是凸集。其下水平集 \\(\\{x:f(x)\\leq a\\}\\) 也都是凸集。反过来，下水平集为凸集只能得到一个较弱的性质：它刻画的是拟凸函数，而拟凸函数不一定满足凸性不等式。(stanford.edu)"
    },
    {
      "heading": "示例与微分判别法",
      "text": "基本例子包括定义在 \\(\\mathbb R\\) 上的 \\(x^2\\)、\\(|x|\\) 和 \\(e^x\\)，以及定义在 \\(x>0\\) 上的 \\(-\\log x\\)。绝对值函数说明，凸函数可以存在尖点。在多维情形下，赋范向量空间中的范数是凸函数，欧几里得范数的平方也是凸函数。对于二次函数 \\(f(x)=\\tfrac12x^\\mathsf TQx+b^\\mathsf Tx+c\\)，若 \\(Q\\) 是对称矩阵，则该函数为凸函数，当且仅当 \\(Q\\) 是半正定矩阵。(web.stanford.edu)\n\n对于定义在开凸集上的可微函数，凸性等价于以下一阶条件：\n\n\\[f(y)\\geq f(x)+\\nabla f(x)^\\mathsf T(y-x).\\]\n\n因此，由梯度确定的仿射近似是函数的全局下界，而不仅仅是局部近似。从几何上看，它确定了位于函数图像下方的一个支撑超平面。(web.stanford.edu)\n\n对于二阶连续可微函数，凸性等价于其海森矩阵处处半正定。在一维情形下，这一条件变为 \\(f''(x)\\geq0\\)；等价地，如果导数在整个区间内都存在，则导数单调不减。这些判别条件针对的是整个凸定义域，而不仅是某一点处的曲率。(web.stanford.edu)"
    },
    {
      "heading": "严格凸性与强凸性",
      "text": "如果只要 \\(x\\ne y\\) 且 \\(0<t<1\\)，凸性的定义不等式就严格成立，则称函数为严格凸函数。严格凸性排除了函数在任何非退化线段上呈仿射变化的可能。海森矩阵处处正定是严格凸性的充分条件，但不是必要条件：\\(x^4\\) 在 \\(\\mathbb R\\) 上严格凸，尽管其二阶导数在零点处为零。(stanford.edu)\n\n强凸性是对凸性的定量加强。相对于欧几里得范数，给定 \\(\\mu>0\\)，如果 \\(f(x)-\\tfrac{\\mu}{2}\\|x\\|^2\\) 是凸函数，则称 \\(f\\) 为 \\(\\mu\\)-强凸函数。等价地，\n\n\\[f((1-t)x+ty) \\leq(1-t)f(x)+tf(y) -\\frac{\\mu}{2}t(1-t)\\|x-y\\|^2.\\]\n\n强凸性蕴含严格凸性，而严格凸性不一定能给出统一的正曲率下界。(web.mit.edu)"
    },
    {
      "heading": "运算与不等式",
      "text": "凸函数的非负加权和仍是凸函数。与仿射映射复合、逐点取最大值，以及在能够定义适当函数的情况下逐点取上确界，也都保持凸性。因此，形如 \\(\\max_i(a_i^\\mathsf Tx+b_i)\\) 的函数是凸函数，尽管它们在不同分段的交界处通常不可微。不过，凸函数的乘积和逐点最小值不一定是凸函数。(live.ocw.mit.edu)\n\n反复应用凸性的定义，可以得到詹森不等式：\n\n\\[f\\left(\\sum_i p_ix_i\\right)\\leq\\sum_i p_if(x_i), \\qquad p_i\\geq0,\\quad\\sum_i p_i=1.\\]\n\n在适当的定义域和可积性条件下，其概率形式为 \\(f(\\mathbb EX)\\leq\\mathbb E[f(X)]\\)。这里，\\(X\\) 是随机变量，\\(\\mathbb E\\) 表示期望值。这一不等式将凸性与平均值的界以及离散程度的度量联系起来。(live.ocw.mit.edu)"
    },
    {
      "heading": "不可微性与优化",
      "text": "凸函数在 \\(x\\) 处的一个次梯度，是指对定义域中的每个 \\(y\\) 都满足\n\n\\[f(y)\\geq f(x)+g^\\mathsf T(y-x)\\]\n\n的向量 \\(g\\)。次梯度允许尖点处存在多个支撑斜率，从而推广了梯度的概念。对于 \\(f(x)=|x|\\)，零点处的次梯度构成区间 \\([-1,1]\\)。在可微点处，唯一次梯度就是通常的梯度。(people.csail.mit.edu)\n\n在数学优化中，在凸可行集上最小化凸目标函数具有一个重要结论：每个局部最小值都是全局最小值。严格凸性保证最小值点至多只有一个，但并不保证函数能取到最小值。例如，\\(e^x\\) 在 \\(\\mathbb R\\) 上严格凸，但其下确界为零，且永远无法取到。对于无约束的可微凸函数，梯度为零即可判定该点具有全局最优性；在非光滑情形下，对应条件是 \\(0\\in\\partial f(x)\\)。(web.mit.edu)\n\n这些性质是梯度下降和次梯度算法等方法的基础，而这些方法的收敛还需要额外的假设和适当的步长。凸模型广泛应用于机器学习、统计学、资源分配、工程设计和控制。必须针对实际参与优化的变量来证明凸性；仅凭某个组成部分的凸性，并不能认定整个模型具有凸性。(web.mit.edu)"
    }
  ],
  "links": [
    "mathematical-function",
    "mathematical-analysis",
    "convex-optimization",
    "vector-space",
    "convex-set",
    "concave-function",
    "affine-map",
    "normed-vector-space",
    "matrix",
    "gradient",
    "hyperplane",
    "hessian-matrix",
    "derivative",
    "jensens-inequality",
    "random-variable",
    "expected-value",
    "mathematical-optimization",
    "feasible-set",
    "objective-function",
    "gradient-descent",
    "machine-learning",
    "statistics"
  ],
  "sources": [
    {
      "title": "stanford.edu/~boyd/cvxbook/bv_cvxbook.pdf",
      "url": "https://www.stanford.edu/~boyd/cvxbook/bv_cvxbook.pdf"
    },
    {
      "title": "web.stanford.edu/~boyd/cvxbook/bv_cvxslides.pdf",
      "url": "https://web.stanford.edu/~boyd/cvxbook/bv_cvxslides.pdf"
    },
    {
      "title": "web.mit.edu/dimitrib/www/Convex_Slides_2014.pdf",
      "url": "https://web.mit.edu/dimitrib/www/Convex_Slides_2014.pdf"
    },
    {
      "title": "live.ocw.mit.edu/courses/6-079-introduction-to-convex-optimization-fall-2009/2a…",
      "url": "https://live.ocw.mit.edu/courses/6-079-introduction-to-convex-optimization-fall-2009/2ae23d35685ff402473b36011138149a_MIT6_079F09_lec03.pdf"
    },
    {
      "title": "people.csail.mit.edu/jsolomon/share/book/numerical_book.pdf",
      "url": "https://people.csail.mit.edu/jsolomon/share/book/numerical_book.pdf"
    }
  ],
  "license": "https://creativecommons.org/licenses/by/4.0/"
}