凸函数

此条目介绍的是英文为Convex function的函数。关于英文为Concave function的函数，请见“凹函数”。

凸函数（英文：Convex function）是指函数图形上，任意两点连成的线段，皆位于图形的上方的实值函数，如单变数的二次函数和指数函数。二阶可导的一元函数$f$为凸，当且仅当其定义域为凸集，且函数的二阶导数$f''$在整个定义域上非负。直观理解，凸函数的图像形如开口向上的杯$\cup$，而相反，凹函数则形如开口向下的帽$\cap$。

凸函数的图像上任取两点，连成的线段必在图像上方。

二元二次多项式函数$(x,y)\mapsto x^{2}+xy+y^{2}$的图像，形如开口向上的碗。

在最优化研究中，凸函数的最小化问题有唯一性，即凸开集上的严格凸函数，至多只有一个极小值。

概率论中，凸函数$f$作用在某随机变量期望值$\mathbb {E} [X]$所得的结果，总不大于对随机变量先取函数值再取期望，即

$f(\mathbb {E} [X])\leq \mathbb {E} [f(X)],$

称为延森不等式。该不等式可以推导出均值不等式及赫尔德不等式等结果。

注意：中国大陆数学界某些机构关于函数凹凸性定义和国外的定义是相反的。Convex Function在某些中国大陆的数学书中指凹函数。Concave Function指凸函数。但在中国大陆涉及经济学的很多书中，凹凸性的提法和其他国家的提法是一致的，也就是和数学教材是反的。举个例子，同济大学高等数学教材对函数的凹凸性定义与本条目相反，本条目的凹凸性是指其上方图是凹集或凸集，而同济大学高等数学教材则是指其下方图是凹集或凸集，两者定义正好相反。

定义

形像理解凸函数与延森不等式

$C$为某实向量空间的凸子集，若实值函数$f:C\to \mathbb {R}$ 对任意 $0\leq t\leq 1$及任意$v,\,w\in C$，皆有

$f\left[v+t\cdot (w-v)\right]\leq f(v)+t\cdot \left[f(w)-f(v)\right]$

则 $f$ 称为凸函数。

若 $C\subseteq \mathbb {R}$ ，然后在 $f$ 图像上任取两点$\left(x_{1},f\left(x_{1}\right)\right)$和$\left(x_{2},f\left(x_{2}\right)\right)$ 连线，则连线上某点 $p$ 的 $x$ 座标可以想成从 $x_{1}$ 出发，前进了 $x_{2}-x_{1}$ 这整段的一部分而已，也就是说

$0\leq t={\frac {x-x_{1}}{x_{2}-x_{1}}}\leq 1$

循著同样的比例 $t$ ， $p$ 的 $y$ 座标就可以写成

$0\leq t={\frac {y-f(x_{1})}{f(x_{2})-f(x_{1})}}\leq 1$

但同样的 $x$ 座标下，对应的 $f$ 函数值就是

$f\left[x_{1}+t\cdot (x_{2}-x_{1})\right]$

所以，凸函数的定义意为，$f$ 的图像上，任意相异两点的连线不能低于中间$f$ 的曲线。换言之，函数的上境图（图像上方的点的集合）为凸集。

严格凸函数

若将定义的$\leq$号换成$<$，则得到严格凸的定义：

$f$称为严格凸，意思是对$0<t<1$和任意不相等的$v,\,w\in C$，皆有

$f\left[v+t\cdot (w-v)\right]<f(v)+t\cdot \left[f(w)-f(v)\right]$

若 $C\subseteq \mathbb {R}$ ，在严格凸函数$f$的图像曲线上，任意两相异点的连线，除端点外皆高于曲线。

几乎凸函数

若 $C\subseteq \mathbb {R}$，实值函数$f:C\to \mathbb {R}$ 对于任意三实数 $x\leq z\leq y$ ，都有$f(z)\leq \max\{f(x),\,f(y)\}$，则称 $f$ 是几乎凸的。

性质

凸函数的某些性质，多元情况的叙述与一元情况同样简单。此种性质，可能仅于多元情况列举，恕不在一元情况赘述。

一元情况

函数（蓝色）是凸的，当且仅当其上方的区域（绿色）是一个凸集。

• 设$f$是一元实函数，定义域为区间。考虑割线斜率$$R(x_{1},x_{2})={\frac {f(x_{2})-f(x_{1})}{x_{2}-x_{1}}},$$则函数$R$是对称函数，即关于$R(x_{1},x_{2})=R(x_{2},x_{1})$。$f$为凸，当且仅当对每个固定的$x_{2}$，皆有$R(x_{1},x_{2})$关于$x_{1}$单调不减（或由对称性，可将此句中$x_{1},x_{2}$互换）。此刻划有助证明以下的结果。
• 若一元凸函数$f$定义在开区间$C$内，则在C内连续，且处处有左侧及右侧的单边导数。如此定义的两个单边导函数，皆为单调不减。由此推出，除可数个点外，$f$在其他点皆可微（不过不可导的点组成的集合，仍有可能稠密）。如果$C$是闭区间，那么$f$有可能在$C$的端点不连续，见例子。
• 一元可微函数在区间上是凸的，当且仅当函数位于所有它的切线的上方：对于区间内的所有$x$和$y$，都有$$f(x)\geq f(y)+f'(y)(x-y).$$特别地，如果$f'(y)=0$，则上式化为$f(x)\geq f(y)$，故$f(y)$是$f$的最小值。
• 一元可微函数在某个区间上是凸的，当且仅当它的导数在该区间上单调不减。若一元函数既凸又可导，则其导数也连续。
• 一元二阶可微的函数在区间上是凸的，当且仅当它的二阶导数是非负的；这是判断某个函数是否凸的实用方法。直观地，二阶可导的凸函数“向上弯”，而不会屈向另一边（即无拐点）。如果它的二阶导数是正数，那么函数就是严格凸的，但反过来不成立。例如，$f(x)=x^{4}$的二阶导数是$f''(x)=12x^{2}$，当$x=0$时为零，但$f$是严格凸的。
  • 此性质的条件“二阶导数非负”与前一个性质的条件“导数单调不减”有差异。若$f''$在区间$C$非负，则的确$f'$在$C$单调不减。反之则不然，因为可能有$f'$在$C$单调不减，但在某点不可导，即$f''$在$C$中某点无定义。
• 若$f$为一元凸函数，且$f(0)\leq 0$，则$f$在正数集内为超可加函数，即$f(a+b)\geq f(a)+f(b)$对任意正实数$a,b$成立。

多元情况

更一般地，多元二次可微的连续函数在凸集上是凸的，当且仅当它的黑塞矩阵在凸集的内部是半正定的。

凸函数的任何极小值也是最小值。严格凸函数最多有一个最小值。

对于凸函数f，水平子集{x | f(x) < a}和{x | f(x) ≤ a}（a ∈ R）是凸集。然而，水平子集是凸集的函数不一定是凸函数；这样的函数称为拟凸函数。

延森不等式对于每一个凸函数f都成立。如果$X$是一个随机变量，在f的定义域内取值，那么$f(\mathbb {E} [X])\leq \mathbb {E} [f(X)],$（在这里，$E$表示数学期望。）

凸函数的初等运算

• 如果$f$和$g$是凸函数，那么$m(x)=\max\{f(x),g(x)\}$和$h(x)=f(x)+g(x)$也是凸函数。
• 如果$f$和$g$是凸函数，且$g$递增，那么$h(x)=g(f(x))$是凸函数。
• 凸性在仿射映射下不变：也就是说，如果$f(x)$是凸函数（$x\in \mathbb {R} ^{n}$），那么$g(y)=f(Ay+b)$也是凸函数，其中$A\in \mathbb {R} ^{n\times m},\;b\in \mathbb {R} ^{n}.$
• 如果$f(x,y)$在$(x,y)$内是凸函数，且$C$是一个凸的非空集，那么$g(x)=\inf _{y\in C}f(x,y)$在$x$内是凸函数，只要对于某个$x$，有$g(x)>-\infty$。

例子

• 函数$f(x)=x^{2}$处处有$f\,''(x)=2>0$，因此f是一个（严格的）凸函数。
• 绝对值函数$f(x)=|x|$是凸函数，虽然它在点x = 0没有导数。
• 当$p\geqslant 1$时，函数$f(x)=|x|^{p}$是凸函数。
• 定义域为[0,1]的函数f，定义为f(0)=f(1)=1，当0<x<1时f(x)=0，是凸函数；它在开区间(0,1)内连续，但在0和1不连续。
• 函数$f(x)=x^{3}$的二阶导数为$f\,''(x)=6x$，因此它在x ≥ 0的集合上是凸函数，在x ≤ 0的集合上是凹函数。
• 每一个在$\mathbb {R}$内取值的线性变换都是凸函数，但不是严格凸函数，因为如果f是线性函数，那么$f(a+b)=f(a)+f(b)$。如果将“凸”替换为“凹”，该命题也成立。
• 每一个在$\mathbb {R}$内取值的仿射变换，也就是说，每一个形如$f(x)=a^{T}x+b$的函数，既是凸函数又是凹函数。
• 每一个范数都是凸函数，这是由于三角不等式。
• 如果$f$是凸函数，那么当$t>0$时，$g(x,t)=tf(x/t)$是凸函数。
• $f(x)={\sqrt {x}}$和$g(x)=\log(x)$为单调递增但非凸的函数。
• 函数f(x) = 1/x²，f(0)=+∞，在区间(0,+∞)内是凸函数，在区间(-∞,0)内也是凸函数，但是在区间(-∞,+∞)内不是凸函数，这是由于x = 0处的奇点。

参见

• 凹函数
• 凸集
• 对数凸函数

参考文献

• Moon, Todd. Tutorial: Convexity and Jensen's inequality. [2008-09-04]. （原始内容存档于2008-04-20）. 
• Rockafellar, R. T. Convex analysis. Princeton: Princeton University Press. 1970. 
• Luenberger, David. Linear and Nonlinear Programming. Addison-Wesley. 1984. 
• Luenberger, David. Optimization by Vector Space Methods. Wiley & Sons. 1969. 
• Bertsekas, Dimitri. Convex Analysis and Optimization. Athena Scientific. 2003. 
• Thomson, Brian. Symmetric Properties of Real Functions. CRC Press. 1994. 

• Hiriart-Urruty, Jean-Baptiste, and Lemaréchal, Claude. (2004). Fundamentals of Convex analysis. Berlin: Springer.
• Krasnosel'skii M.A., Rutickii Ya.B. Convex Functions and Orlicz Spaces. Groningen: P.Noordhoff Ltd. 1961. 
• Borwein, Jonathan, and Lewis, Adrian. (2000). Convex Analysis and Nonlinear Optimization. Springer.