1 概述性定义
1.1 凸集与凸函数的基本直觉
在欧氏空间中，一个集合若对任意两点，其连线上的点都仍落在集合内，则称该集合为凸集。把这种“连线不逃跑”的形状想象到函数图像上，就得到凸函数的直观图景：函数值沿着连接两点的“中间路径”不会比线性连接更“拱起”，而是保持在对应连线的下方（或与其重合）。这种“向上弯曲但不越界”的几何观感，支撑了大量分析与优化理论。
1.2 凸函数的几何刻画：割线不在图像上方
设函数 \(f\) 定义在凸集 \(D\) 上。若对任意 \(x,y\in D\) 与任意 \(t\in[0,1]\)，都有 \[ f\big(tx+(1-t)y\big)\le tf(x)+(1-t)f(y), \] 则 \(f\) 为凸函数。几何上，右侧 \(tf(x)+(1-t)f(y)\) 表示两点 \((x,f(x))\)、\((y,f(y))\) 的连线（割线）在中间位置对应的函数高度；不等式保证了图像不出现在割线之上。若将“\(\le\)”理解为“图像不拱过连线”，则凸性的直观图像就非常清晰。
1.3 凸性的代数刻画：线性插值不等式
凸性的定义本质上是对“线性插值”的约束。上式中的 \(tx+(1-t)y\) 是在自变量空间的线性插值，而不等式则要求函数值在取线性插值后不超过对函数值的同样插值结果。该形式不仅适用于函数本身，也可扩展到多个变量、向量值函数的标量化情形；在证明不等式、建立下界以及构造迭代算法时，这种插值结构常被反复使用。
2 等价刻画与判别准则
2.1 一阶导数的切线性质
2.1.1 次梯度的直观理解（非光滑情形的延伸）
当函数在某些点可能不可导时，切线概念仍可用“下支撑直线”替代。对凸函数 \(f\)，在点 \(x\) 处可存在一个向量 \(g\)，使得对任意 \(y\) 都有 \[ f(y)\ge f(x)+\langle g,\, y-x\rangle. \] 这样的 \(g\) 称为在 \(x\) 的一个次梯度（subgradient）。直观上，它是“贴着图像下方的一条线”的斜率：该线不穿过图像，而是把图像压在其上方。可导情形下，次梯度与梯度一致，从而把光滑与非光滑统一到同一套“线性下界”框架中。
2.2 二阶导数判别（可微可二阶导）
2.2.1 一维情形：二阶导数与凸性
若 \(f\) 在区间上二阶可导，则 \(f\) 的凸性与二阶导数符号密切相关。常见结论是：在一维区间内若 \(f''(x)\ge 0\)（对该区间成立），则 \(f\) 为凸函数；若 \(f''(x)\le 0\)，则 \(f\) 为凹函数。此时“向上弯曲”与二阶导数的非负直接对应：曲率向上、局部形状不会向下拱起。
2.2.2 多元情形：Hessian 矩阵与半正定
多元情形中，二阶导数以 Hessian 矩阵 \( \nabla^2 f(x)\) 的形式出现。若 \(f\) 二次可导且对区间内任意 \(x\)，Hessian 半正定（即对任意向量 \(v\)，有 \(v^\top \nabla^2 f(x)\, v\ge 0\)），则 \(f\) 为凸函数。该条件可理解为：沿任意方向切下的一维剖面函数都具备非负曲率，从而整体形状呈凸。
2.3 介于定义与判别之间的常用等价条件
2.3.1 单调性视角的关系（导数/斜率）
在可导的单变量情形，凸性与导数的单调性存在对应关系：凸函数的导数通常是单调不减。更一般地，割线斜率随自变量的移动不会下降。这一视角将“几何不越界”转译为“斜率不回头”，便于用定性方式判断或建立不等式。
2.3.2 反例与边界条件（端点与可定义域）
凸性判断依赖于函数的定义域与可用信息。在端点附近、或定义域不是凸集时，需要格外注意：即便在内部某些区间看似“向上”，也不必然保证在整个定义域上满足割线约束。常见边界问题包括：函数在端点处不可扩展、定义域断裂导致连线点不在定义域内、或在某些子区间满足但全局不满足。判别准则往往要求条件在适用的连线范围内成立。
3 凸与凹的关系
3.1 凸函数与凹函数的互换方式
凸与凹可以通过符号变换互相转化。若 \(f\) 是凸函数，则 \(-f\) 是凹函数，反之亦然。换言之，凹性的几何图像是“割线在图像下方”，与凸性的“割线在图像上方”相对称。这种对偶关系使得很多结论可以在两种形态之间平移：只要把不等式方向按符号一起调整，相关性质往往立刻得到对应版本。
3.2 凸性在变换下的稳定性
3.2.1 取相反数、平移与伸缩
凸性在多种简单变换下保持：对自变量做平移、对函数做常数平移通常不改变凸性结构。对函数乘以正数保持凸性不变；乘以负数会把凸性转为凹性。对于可微场景，这些变换也会以 Hessian 的缩放或符号改变形式体现：半正定性在正缩放下不变，在负缩放下变号。
3.2.2 单调函数复合的保凸保凹规则
若把凸函数再代入某个外部函数，复合后的凸性取决于外部函数的单调性与形状。常见规则是：当外部函数为单调递增且自身为凸时，复合结果仍为凸；当外部函数为单调递减且自身为凹时，也可得到凸性结论。直观上，单调性决定了“方向”，而外部曲率决定了“不等式如何被传递”。
4 组合运算与运算规则
4.1 线性组合：加和与数乘
凸函数的线性组合有稳定的封闭性：若 \(f_i\) 都是凸函数，且系数 \(\alpha_i\ge 0\)，则 \(\sum_i \alpha_i f_i\) 仍为凸函数。尤其是加和与正数倍这类运算，直接沿用凸性定义中的权重插值结构。若系数允许为负，则一般不再保证凸性，需要额外条件或更精细的结构分析。
4.2 乘法/除法的谨慎规则（通常需额外条件）
凸性并不总能在乘法与除法下保持。即使两个函数分别是凸的，它们的乘积也未必凸；除法更复杂，通常涉及正性、单调性以及复合规则的满足情况。实践中常用策略是：把问题转写为复合形式，检查外部函数是否单调以及自身的凸/凹性质是否匹配，必要时再用二阶信息或次梯度工具做验证。
4.3 复合：凸函数的“复合保凸”条件
4.3.1 以仿射函数作复合的简化情形
当 \(f\) 为凸函数，而 \(g(x)=Ax+b\) 是仿射函数时，复合 \(f(g(x))\) 在 \(x\) 的定义域内保持凸性。这是因为仿射映射把线性插值精确传递到原空间：\(g(tx+(1-t)y)=tg(x)+(1-t)g(y)\)。因此，凸性的插值不等式可以无损地继承。
4.3.2 与单调性的配合（上升/下降）
若复合为 \(h(f(x))\)，则凸性取决于 \(h\) 的单调性与自身形状。直观上，外函数的单调性告诉你插值不等式在作用后是否会“翻向”，而外函数的凸/凹告诉你翻向后不等式是否仍可维持在正确方向。只有同时满足恰当组合时，复合凸性才能被保证。
5 凸函数的几何性质与极值
5.1 可行域的形状与函数图像的弯曲程度
凸函数常与凸可行域一起出现：当约束集合为凸集时，目标函数若为凸（或凹，配合最小化/最大化方向相应调整），整体问题形成“几何良性”的结构。直观地，这样的几何组合意味着：在可行区域内部沿任意线段移动时，目标值不会出现“局部下陷”并产生多峰复杂地形，更容易在全局层面理解极值位置。
5.2 切线支撑与下界构造
凸函数在任意一点都能由切线或次梯度构造线性下界。也就是说，对凸 \(f\)，存在局部支撑直线 \(l(x)=f(x_0)+\langle g, x-x_0\rangle\)，使得 \(l(x)\le f(x)\)（对定义域内所有点）。这种性质可以视为“在每个位置都能用一条线把图像从下方托住”。在分析中，它常用于证明不等式与估计；在算法中则可用于形成迭代下界。
5.3 全局极小与局部极小的关系
对于凸函数，局部极小往往意味着全局极小。这是凸性对“山谷形状”的约束结果：若函数是凸的，其曲率不会允许在同一连通的定义域上产生彼此矛盾的局部最优。特别地，在凸优化语境中，检查一阶条件（如梯度为零或次梯度包含零向量）能够帮助定位全局最优。
5.4 凸函数的唯一性直观（严格凸）
若把凸性从“不会拱过割线”进一步加强为“割线在除端点外总是严格压在图像之下或相反”，就得到严格凸。严格凸意味着形状更像“单一碗”，不易出现平坦谷底导致的多个等值最小点。
5.4.1 严格凸的定义与判别
严格凸通常可表述为：对任意 \(x\ne y\) 与 \(t\in(0,1)\)，有 \[ f(tx+(1-t)y)<tf(x)+(1-t)f(y). \] 在可导情形下，也常可用 Hessian 正定（或等价的二阶条件）刻画其强度：曲率不仅非负，而且在非零方向上严格为正，从而排除“沿某些方向完全平”的情况。
5.4.2 典型例子与“只拱一点点”的直觉对照
| 如 \(f(x)=x^2\) 在实数上是严格凸函数，图像是开口向上的抛物线；而 \(f(x)= | x | \) 虽是凸，但在 \(0\) 附近呈现折线拱起的“非严格”特征，存在线性段导致的非严格性。用直觉对照时，可以把严格凸想象为“连线必在中间位置下方留出间隙”，而非严格凸则允许间隙为零的情形出现。 |
|---|
6 凸分析的关键不等式
6.1 Jensen 不等式（核心工具）
Jensen 不等式表明：对凸函数 \(f\)，有 \[ f(\mathbb{E}[X])\le \mathbb{E}[f(X)], \] 其中 \(X\) 是随机变量（在期望存在的前提下）。它可以从凸性定义推广得到，代表“凸函数在平均值处取值不超过在各点取值的平均”。在数学与工程中，Jensen 常被用来把难处理的非线性表达转化为更可控的期望或上/下界估计。
6.2 线性下界与割线界
由于凸函数的割线提供上界或下界（取决于排列方式与不等式方向），许多估计都可用“线性函数逼近”完成。更具体地，通过选取合适的两个点构造割线，可以得到可计算的线性界；当需要在某一区域内控制函数增长时，这种线性界往往比直接处理函数本身更简单。凸性的“可支撑性”保证了这些界的方向是可信的。
6.3 凸性与加权平均的关系
凸性的定义中权重 \(t\) 与 \(1-t\) 的形式，本质上说明了凸函数对加权平均的“保序”：加权平均先作用在自变量上，函数值不会超过对函数值做相同权重平均的结果。该原则可扩展到有限维权重集合，常用在多项式不等式、信息论指标估计以及多步推导中，体现为“把多个点的信息浓缩到平均点”时不会违反凸性的约束。
7 在优化与算法中的应用（非争议、偏方法论）
7.1 凸优化问题的基本形式
凸优化通常指：决策变量取自某个凸集，可行约束由凸函数（或凹函数，配合不等式方向）描述，目标函数也具有凸性结构。这样的一类问题具有统一的理论支撑：最优解通常可通过一阶条件、对偶关系或几何性质获得，并且不存在一般非凸优化那种“随处可能卡住局部极值”的不良现象。
7.2 梯度法与凸性假设的作用
7.2.1 收敛速度与形状直觉（不展开争议细节）
梯度法利用目标的局部变化方向进行迭代。若目标函数是凸的，其梯度信息与全局结构一致：下降方向更可能持续指向更低的函数值区域。凸性还能与更强的性质（如光滑性或强凸性）结合，影响收敛速度的数学表达。直觉上，凸形状使“走下去不会把你带进更高的山谷之外”，因此算法的稳定性更容易建立。
7.3 约束问题中的凸可行域
在含约束优化中，可行域是否为凸集非常关键。若约束集为凸集，沿可行方向的线段仍保持可行性，从而避免了迭代过程中“合法路径断裂”的问题。配合目标函数的凸性（或凹性与最小化/最大化方向匹配），可行域的几何形状与目标的弯曲程度共同决定最优解的可定位性与理论保证。
7.4 拉格朗日与KKT 的“凸世界”收益（概念级）
KKT 条件是一类刻画约束最优性的必要条件；在凸优化问题中，若满足适当的正则性假设，它们往往也成为充分条件，从而把最优性判断转化为求解方程/不等式系统。概念层面，这意味着：在凸问题里，“局部满足一阶与互补条件”就足以保证全局最优，从而显著简化理论分析与工程实现的难度。
8 典型例子与反例
8.1 常见凸函数清单（范式：平方、指数、对数相关）
常见凸函数例子包括：平方函数 \(x^2\)（在实数上）、指数函数 \(e^x\)、以及在合适定义域内的对数相关表达（例如 \(-\log x\) 在 \(x>0\) 上是凸的）。多元版本中，范数的若干形式也与凸性紧密相关，例如欧氏范数的平方或某些范数的组合。判断这类函数时，通常可以借助已知的凸性规则：仿射复合、线性组合与二阶判别共同构成快速工具链。
8.2 分段函数如何判断凸性
分段定义的函数往往需要逐段检查并在分界点验证“拼接不破坏凸性”。一般思路是：在每个子区间上确认凸性，再检查分界处左、右侧的支撑直线是否能统一满足凸性不等式。若在分界点出现“割线越过图像”的情况，则整体不凸。对可导分段函数，还可结合导数单调性与斜率连续/不下降的要求做更高效的判别。
8.3 常见反例：看似“向上”但实则不凸的函数
有些函数局部曲率向上，但仍可能在全局范围破坏割线不等式：例如在某些区间内虽然二阶导数为正或形状像“上拱”，却在较远的区间组合时出现中间点被割线“压住不足”的情况。判断反例时，不能只凭局部弯曲程度，还需验证跨区间的线性插值不等式。对不确定的表达，采用定义直接检验或使用二阶条件并核对定义域是常用策略。
9 常见错误与记忆梗（轻量）
9.1 “二阶导大于零就一定凸？”的条件提醒
一个常见误区是把“一处二阶导为正”误当成“在整个区间上凸”。更准确的说法通常需要二阶导数在所考虑的全部连线范围内满足非负条件，并且函数需要足够光滑以应用该判别法。若二阶可导性不成立或条件只在局部出现，则不能直接下结论。
9.2 “凹/凸看错符号”的速查表
速查的核心是记住不等式方向：凸函数满足 \[ f(tx+(1-t)y)\le tf(x)+(1-t)f(y), \] 反之凹函数满足“\(\ge\)”。在看图时，还可配合几何记忆：凸函数对应“割线不在图像上方”；凹函数对应“割线不在图像下方”。符号一旦对齐，很多推导会立刻变得不容易出错。
9.3 直觉与严格定义的对齐练习（小题模板）
可用一个简单模板自检：选两点 \(x,y\)，画出割线对应的高度；再比较中间点 \(tx+(1-t)y\) 的函数值是否真的不超过割线。若每次都符合不等式，直觉就与严格定义对齐；若总是凭感觉而不做比较，容易在边界点或跨区间时出现“看起来对但其实不满足”的情况。这个练习方式对凸性判断尤其有效。