凸函数 编辑
凸函数是指上境图为凸集的一类函数。换言之，其函数图形上，任意两点连成的线段，皆位于图像的上方。二阶可导的一元函数



f


{\displaystyle f}

为凸，当且仅当其定义域为凸集，且函数的二阶导数




f
″



{\displaystyle f''}

在整个定义域上非负。一元凸函数的熟知例子有二次函数



x
↦

x

2




{\displaystyle x\mapsto x^{2}}

和指数函数



x
↦

e

x




{\displaystyle x\mapsto e^{x}}

。直观理解，凸函数的图像形如开口向上的杯



∪


{\displaystyle \cup }

，而相反，凹函数则形如开口向下的帽



∩


{\displaystyle \cap }

。
1
相关
次导数、次微分、次切线和次梯度法的概念出现在凸分析，也就是凸函数的研究中。 要注意的是，次切线和次切距是不同的。
凸函数最优化，或叫做凸最优化，凸最小化，是数学最优化的一个子领域，研究定义于凸集中的凸函数最小化的问题。凸最佳化在某种意义上说较一般情形的数学最佳化问题要简单，譬如在凸最佳化中局部最佳值必定是全局最佳值。凸函数的凸性使得凸分析中的有力工具在最佳化问题中得以应用，如次导数等。
在数学领域的凸分析中，集合的“示性函数”为凸函数，用于表示给定元素是否为该集合的成员。尽管与常规示性函数定义相似，两者也可以相互转换，但根据如下定义的示性函数更适应于凸分析的方法。
次梯度法是求解凸函数最优化问题的一种迭代法。次梯度法能够用于不可微的目标函数。当目标函数可微时，对于无约束问题次梯度法与梯度下降法具有同样的搜索方向。
次导数、次微分、次切线和次梯度法的概念出现在凸分析，也就是凸函数的研究中。 要注意的是，次切线和次切距是不同的。
勒壤得转换是一个在数学和物理中常见的技巧，得名于阿德里安-马里·勒让德。该操作是一个实数的实值凸函数的对合变换。它经常用于经典力学中从拉格朗日力学到哈密顿力学的推导、热力学中热力学势的推导以及多变量微分方程的求解。
勒壤得转换是一个在数学和物理中常见的技巧，得名于阿德里安-马里·勒让德。该操作是一个实数的实值凸函数的对合变换。它经常用于经典力学中从拉格朗日力学到哈密顿力学的推导、热力学中热力学势的推导以及多变量微分方程的求解。