锥组合

锥组合 (Conic Combination)

锥组合 (Conic Combination)，也称为 非负线性组合 (Nonnegative Linear Combination)，是凸集理论和凸优化中的一个基本代数运算。给定向量空间中的一组向量 $\mathbf{v}_1, \mathbf{v}_2, \dots, \mathbf{v}_k$，它们的一个锥组合定义为：

其中所有系数 $\alpha_i$ 均为非负实数。这一约束将锥组合与一般的线性组合区分开来，赋予了它独特的几何意义——所生成的向量必然位于由这些向量"张成"的锥体内。

四种组合的对比

在线性代数与凸分析中，根据对系数的不同约束，存在四种逐级嵌套的组合概念：

1. 线性组合 (Linear Combination)：$\sum \alpha_i \mathbf{v}_i$，其中 $\alpha_i \in \mathbb{R}$ 任意。这是最宽松的形式，可以生成整个张成子空间。

1. 仿射组合 (Affine Combination)：$\sum \alpha_i \mathbf{v}_i$，其中 $\sum \alpha_i = 1$。仿射组合生成的集合构成一个仿射子空间（或仿射包）。在线性组合的基础上增加了"系数之和等于 1"的约束。

1. 锥组合 (Conic Combination)：$\sum \alpha_i \mathbf{v}_i$，其中 $\alpha_i \geq 0$。锥组合将生成限制在系数非负的方向上，其结果必然位于由这些向量确定的凸锥之中。这是在仿射组合之外的另一条独立约束路径。

1. 凸组合 (Convex Combination)：$\sum \alpha_i \mathbf{v}_i$，其中 $\alpha_i \geq 0$ 且 $\sum \alpha_i = 1$。凸组合同时施加了锥组合和仿射组合的双重约束，生成的集合即为这些向量的凸包 (Convex Hull)。

这一关系可以总结为：凸组合 = 锥组合 ∩ 仿射组合。换言之，一个向量是某组向量的凸组合，当且仅当它同时是这组向量的锥组合和仿射组合。

几何上，若以二维平面中的两个不共线向量 $\mathbf{v}_1, \mathbf{v}_2$ 为例：

• 它们的线性组合张成整个平面 $\mathbb{R}^2$；
• 它们的锥组合张成一个以原点为顶点、以两向量方向为边界的无限扇形区域（即锥）；
• 它们的仿射组合张成经过两向量端点的一条直线；
• 它们的凸组合则是连接两向量端点的线段。

凸锥：锥组合的几何载体

一个集合 $C$ 被称为 凸锥 (Convex Cone)，如果它同时满足两个条件：

1. 锥性：对于任意 $\mathbf{x} \in C$ 和任意非负标量 $\theta \geq 0$，有 $\theta \mathbf{x} \in C$。这意味着集合关于原点具有"射线"性质——如果某个点在集合内，那么从原点出发经过该点的整条射线也在集合内。

1. 凸性：对于任意 $\mathbf{x}, \mathbf{y} \in C$ 和任意 $\lambda \in [0,1]$，有 $\lambda \mathbf{x} + (1-\lambda) \mathbf{y} \in C$。

可以证明，一个集合是凸锥的充要条件是它关于锥组合封闭：集合 $C$ 为凸锥 $\iff$ $C$ 中任意有限个元素的任意锥组合仍属于 $C$。这一等价性使锥组合成为刻画凸锥结构的核心工具。

常见的凸锥包括：

• 非负象限 $\mathbb{R}_+^n = \{\mathbf{x} \in \mathbb{R}^n \mid x_i \geq 0\}$：这是 $\mathbb{R}^n$ 空间中最基本的凸锥，其锥组合恰好描述了所有分量均非负的向量。
• 半正定矩阵锥 $\mathbb{S}_+^n$：所有 $n \times n$ 半正定对称矩阵构成的集合，在半定规划 (Semidefinite Programming) 中具有核心地位。
• 二阶锥 (Second-Order Cone)：$\{(\mathbf{x}, t) \in \mathbb{R}^{n+1} \mid \|\mathbf{x}\|_2 \leq t\}$，在二阶锥规划中广泛应用。
• 范数锥：$\{(\mathbf{x}, t) \in \mathbb{R}^{n+1} \mid \|\mathbf{x}\| \leq t\}$。

锥包

类似于线性组合生成线性包（张成空间）和凸组合生成凸包，锥组合生成 锥包 (Conic Hull)。给定集合 $S$，其锥包 $\operatorname{cone}(S)$ 定义为 $S$ 中元素所有可能的锥组合构成的集合：

锥包是包含 $S$ 的最小凸锥。在凸优化中，锥包常用于刻画可行方向锥，这在描述约束优化问题的KKT条件中扮演重要角色。具体而言，对于一个约束优化问题，在可行点处所有指向可行方向（即沿该方向微小移动后仍保持在可行域内）的向量构成的集合恰好是一个锥，称为可行方向锥。KKT 条件本质上要求目标函数的负梯度落在可行方向锥的对偶锥中，从而保证在该点不存在可行的下降方向。

经济学中的应用

锥组合与凸锥的概念在经济学中具有广泛的应用：

1. 生产理论：在一般均衡理论中，生产集合 (Production Set) 通常被假设为一个凸锥。如果生产技术满足规模报酬不变 (Constant Returns to Scale) 的假设，那么任何可行的生产计划的非负倍数也是可行的，这恰好对应于锥组合所描述的数学结构。此时，生产集合就是一个凸锥。

1. 资产定价：在无套利定价理论中，所有可达的收益向量构成一个凸锥。套利机会的存在与否可以通过检查收益锥与正象限的关系来判定——这正是资产定价基本定理的几何本质。

1. 对偶理论：在线性规划和非线性规划中，锥组合是构造对偶锥 (Dual Cone) 和推导对偶问题的基础。给定一个锥 $K$，其对偶锥 $K^* = \{\mathbf{y} \mid \langle \mathbf{y}, \mathbf{x} \rangle \geq 0,\; \forall \mathbf{x} \in K\}$ 在对偶理论中起着核心作用，而锥组合的封闭性是定义和理解对偶锥的前提。

1. 福利经济学：在社会选择与福利分析中，效用可能性集 (Utility Possibility Set) 的锥结构影响着最优再分配政策的设计。

与其他概念的关系

锥组合是连接线性代数与凸分析的桥梁。一方面，它比线性组合更加受限（系数非负），意味着锥组合只能"正向"缩放向量而不能翻转方向；另一方面，它比凸组合更加宽松（不要求系数之和为 1），因此能够描述无限延伸的锥结构而非有界的凸多面体。在{凸优化}的算法设计中，锥规划 (Conic Programming) ——包括线性规划、二阶锥规划 (SOCP) 和半定规划 (SDP)——构成了一个统一的计算框架，而锥组合是该框架最基本的代数运算单元。

值得特别关注的是有限生成锥 (Finitely Generated Cone)：若一组向量经锥组合生成的凸锥可以由有限个生成元完全描述，则称该锥是有限生成的。有限生成锥与多面体锥 (Polyhedral Cone) 密切相关，后者可以同时表示为齐次线性不等式组的解集和有限个向量的锥组合全体——这一结论是Farkas引理和线性规划对偶理论的几何基础。

理解锥组合与凸锥的关系，对于深入学习{凸分析}、最优运输理论、以及现代高维统计中的正则化方法（如LASSO中的约束区域本质上是某种锥）都具有奠基性的意义。在经济学中，锥组合所提供的代数结构使得许多均衡存在性定理（如阿罗-德布鲁一般均衡模型中对生产可能集的凸锥假设）能够严格成立，从而保证了价格机制在资源配置中的有效性。