最优化算法速通 - 预备知识
03 December 2022 |
duanyll | Tags:
最优化
向量
- 线性相关: 存在表出系数
- 线性无关
- 线性组合
- 张成子空间 $\text{span}$
- 子空间的基, 维数 $\dim \mathcal{V}$
矩阵
- 保秩运算
- 初等变换
- 加入列向量组的线性组合列
- 乘以可逆矩阵
- 转置, 旋转, 镜像
- 矩阵的逆和计算
- 主逆副反号 \(\left( \begin{matrix} A & B \\ C & D \end{matrix} \right)^{-1} = \frac{1}{AD-BC} \left( \begin{matrix} D & -B \\ -C & A \end{matrix} \right)\)
- 线性方程组的解的存在性 (增广矩阵的秩)
- 方程组的解的表达
- 特解, 基础解系
- 特解+零空间平移
- 广义逆
内积与范数
- 内积
- 非负性
- 对称性
- 可加性 (线性性)
- 齐次性 (线性性)
- 范数
- 非负性
- 齐次性
- 三角不等式
-
Cauchy-Schwartz 不等式 $ \langle\alpha,y\rangle \leq|\alpha| y|$, 当且仅当线性相关时等号成立 - 勾股定理: 对两正交向量, 任何范数都成立
- p-范数
-
$( x_{1} ^{p}+\cdot\cdot\cdot+ x_{n} ^{p})^{1/p},1\leq p<\infty$ -
$\mathrm{max}{ x_{1} ,\cdots, x_{n} },p=\infty$
-
- 向量值函数连续性
- 复空间的内积
向量范数
矩阵范数
- 非负性
- 齐次性
- 三角不等式
- 相容性: $|A B|\leqslant|A|\ |B|$
F-范数
\[\|A\|_{F}=\left(\sum_{i=1}^{m}\sum_{j=1}^{n}|a_{i j}|^{2}\right)^{1/2}=[\operatorname{tr}(A^{T}A)]^{1/2}\]F-范数等价于向量空间上的欧式范数
导出范数
用行空间和列空间的向量范数导出矩阵范数
\[\|A\|=\operatorname*{max}_{\|x\|_{(n)}=1}\|A x\|_{(m)}\]用A对n维单位向量做线性变换, 得到的最长m维向量的长度
线性变换
- 线性变换的定义
- 齐次性
- 可加性
- 线性变换的矩阵表示: 对坐标的变换 $y=L(x),y’=Ax’$
- 不同基之间的过渡矩阵: 从 $A$ 到 $A’$ 的过渡矩阵 $A=A’T$
- 线性变换的特征值: 矩阵表示的特征值, 利用相似对角化求
- 正交矩阵 $A^\top A=I$
- 对称矩阵: 实对称矩阵一定可相似对角化
正交投影算子
性质: 对称, 幂等
二次型
- 正定
- 各阶顺序主子式大于零
- 特征值全大于零
- 半正定
- 所有主子式非负 (必要条件: 各阶顺序主子式非负)
- 特征值全非负
瑞利不等式
对实对称矩阵 $P$ 有:
\[\lambda_{\operatorname*{min} }(P)\|x\|^{2}\leqslant x^{\top}P x\leqslant\lambda_{\operatorname*{max} }(P)\|x\|^{2}\]二次型的值被最大特征值和最小特征值限制