版权声明:本文为博主原创文章,未经博主允许不得转载。 https://blog.csdn.net/shenxiaolu1984/article/details/78194053
共轭函数是最优化问题中非常重要的概念,常用来在原问题和对偶问题之间进行转换。
本文从便于理解的角度对其进行介绍,并推导常见例子。
本文主要参考S. Boyd and L. Vandenberghe, Convex Optimization中3.3节。
定义
对于原函数
其中,
- 对于标量:
<y,x>=y⋅x - 对于向量:
<y,x>=yTx - 对于
n×n 对称矩阵:<y,x>=tr(yx)
特别注意,共轭函数的定义域要求对
物理意义
对于共轭函数的每一个自变量
这条直线
两条曲线之差随着
即:曲线斜率与直线斜率相同处的
举例
Negative entropy
原函数:
原函数为增函数。
对于
对于
故,
找到最大值处
代入共轭函数: