# 凸集 (Convex Set)
凸集 (Convex Set) 是{{{数学}}}，特别是{{{几何学}}}、{{{线性代数}}}和{{{泛函分析}}}中的一个基本概念。它在{{{最优化理论}}}、{{{博弈论}}}和{{{经济学}}}等领域有着极为广泛和深刻的应用。一个集合的凸性是一个非常良好且有用的性质，它极大地简化了许多理论分析和计算问题。
## 定义与几何直观
从几何上看，一个集合是凸的，如果集合中任意两点的连线段完全包含在该集合之内。换句话说，从集合中任何一点出发，沿着直线走向另一点，途中不会离开这个集合。
形式化定义
一个位于{{{向量空间}}} $V$（例如，{{{欧几里得空间}}} $\mathbb{R}^n$）中的集合 $C$ 被称为 凸集，如果对于任意两个点 $x_1, x_2 \in C$ 以及任意实数 $\theta$ 满足 $0 \le \theta \le 1$，都有： $$ \theta x_1 + (1 - \theta) x_2 \in C $$ 这里的表达式 $\theta x_1 + (1 - \theta) x_2$ 表示连接 $x_1$ 和 $x_2$ 的{{{线段}}}上的任意一点。当 $\theta = 0$ 时，该点为 $x_2$；当 $\theta = 1$ 时，该点为 $x_1$；当 $\theta = 0.5$ 时，该点为 $x_1$ 和 $x_2$ 的中点。这种点被称为 $x_1$ 和 $x_2$ 的 {{{凸组合}}} (Convex Combination)。因此，一个集合是凸的，当且仅当它对其任意两点的凸组合是封闭的。
### 示例
凸集示例：
* 空集：空集是凸集，因为它不包含任何点，因此满足定义的条件（条件被“虚空地”满足）。 * 单点集：只包含一个点的集合是凸集。 * 线段、直线、射线：这些都是典型的凸集。 * 空间：整个{{{欧几里得空间}}} $\mathbb{R}^n$ 是凸集。 * 基本几何图形：实心的圆形（磁盘）、实心的正方形、实心的三角形以及任何实心的正多边形都是凸集。 * {{{超平面}}} (Hyperplane)：在 $\mathbb{R}^n$ 中，形如 $\{x \mid a^T x = b\}$ 的集合是一个超平面，它是凸的。 * {{{半空间}}} (Half-space)：在 $\mathbb{R}^n$ 中，形如 $\{x \mid a^T x \le b\}$ 或 $\{x \mid a^T x \ge b\}$ 的集合是一个闭半空间，它是凸的。
非凸集示例：
* 空心圆环：取圆环内径和外径上的两点，它们的连线可能会穿过中间的空心部分，因此它不是凸集。 * 星形：一个标准的五角星形状不是凸集，因为连接两个不相邻顶点的线段会穿过星形外部。 * 两个不相交的圆盘的并集：从一个圆盘中取一点，从另一个圆盘中取一点，连接它们的线段必然有一部分不属于这两个圆盘中的任何一个。
## 凸集的基本性质
凸集具有一些非常稳定和有用的代数性质，这些性质使其在分析中易于处理。
1. 交集 一个关键的性质是：任意多个（有限或无限个）凸集的交集仍然是凸集。 证明思路：令 $\{C_i\}_{i \in I}$ 是一族凸集，令 $C = \bigcap_{i \in I} C_i$ 是它们的交集。取任意两点 $x, y \in C$。根据交集的定义，对于所有的 $i \in I$，都有 $x \in C_i$ 和 $y \in C_i$。由于每个 $C_i$ 都是凸集，连接 $x$ 和 $y$ 的线段上的所有点都必须属于 $C_i$。因为这对所有的 $i$ 都成立，所以该线段上的所有点也都属于它们的交集 $C$。因此，$C$ 是一个凸集。 这个性质非常重要，例如，它构成了定义{{{凸包}}}的基础。
2. 并集 与交集不同，两个凸集的并集通常不是凸集。前面提到的 "两个不相交的圆盘的并集" 就是一个典型的例子。
3. 仿射变换下的封闭性 凸性在{{{仿射变换}}} (Affine Transformation) 下是保持不变的。一个仿射变换是{{{线性变换}}}后加一个平移，形式为 $f(x) = Ax + b$。 * 如果 $S \subseteq \mathbb{R}^n$ 是一个凸集，并且 $f: \mathbb{R}^n \to \mathbb{R}^m$ 是一个仿射变换，那么像集 $f(S) = \{f(x) \mid x \in S\}$ 也是一个凸集。 * 反之，如果 $C \subseteq \mathbb{R}^m$ 是一个凸集，那么其在仿射变换 $f$ 下的原像 $f^{-1}(C) = \{x \in \mathbb{R}^n \mid f(x) \in C\}$ 也是一个凸集。
## 相关重要概念
* {{{凸组合}}} (Convex Combination) 给定点集 $\{x_1, x_2, \dots, x_k\}$，这些点的一个凸组合是形如 $\sum_{i=1}^k \theta_i x_i$ 的点，其中系数 $\theta_i$ 满足 $\theta_i \ge 0$ 且 $\sum_{i=1}^k \theta_i = 1$。一个集合是凸的，当且仅当它包含了其所有点的所有凸组合。
* {{{凸包}}} (Convex Hull) 对于任意一个集合 $S$（不必是凸的），其凸包（记作 $\text{conv}(S)$）是包含 $S$ 的 最小 凸集。它可以被等价地定义为 $S$ 中所有点的所有可能凸组合的集合。直观上，可以想象用一根橡皮筋包裹住集合 $S$ 的所有点，橡皮筋所围成的区域就是 $S$ 的凸包。
* {{{凸锥}}} (Convex Cone) 一个集合 $C$ 如果对于任意 $x \in C$ 和标量 $\theta \ge 0$ 都有 $\theta x \in C$，则称之为{{{锥}}}。如果一个锥同时还是一个凸集，则称之为 凸锥。这等价于，对于任意 $x_1, x_2 \in C$ 和任意非负标量 $\theta_1, \theta_2 \ge 0$，点 $\theta_1 x_1 + \theta_2 x_2$ 仍然在 $C$ 中。这种组合被称为{{{锥组合}}} (Conic Combination)。
## 在经济与金融中的应用
凸集之所以在经济学和金融学中至关重要，是因为它与{{{最优化问题}}}、{{{均衡理论}}}以及对理性行为的建模紧密相关。
* {{{最优化理论}}}：凸性是{{{凸优化}}} (Convex Optimization) 的基石。一个典型的优化问题是最小化一个函数 $f(x)$，约束条件是 $x \in S$。如果约束集 $S$ 是一个凸集，且目标函数 $f$ 是一个{{{凸函数}}}，那么这个问题就是一个凸优化问题。这类问题有一个极好的性质：任何{{{局部最优解}}}都是{{{全局最优解}}}。这使得寻找最优解的过程变得非常可靠和高效。
* {{{消费者理论}}}：在{{{微观经济学}}}中，消费者的{{{偏好}}}通常被假设为是凸的。这意味着，如果一个消费者认为商品组合A和商品组合B同样好（无差异），那么他会认为A和B的任意加权平均组合（例如，一半A和一半B）至少和A或B一样好，甚至更好。这在图形上表现为{{{无差异曲线}}}所包围的上层偏好集是一个凸集。这个假设反映了消费者“多样化消费”或“偏好平均而非极端”的倾向。
* {{{生产理论}}}：企业的{{{生产可能性集}}}，即企业利用现有技术和资源所能生产的所有可能的产出组合的集合，通常被假定为一个凸集。这反映了{{{边际报酬递减}}}的规律。
* {{{投资组合理论}}}：在金融学中，由一组给定的资产（如股票和债券）所能构建的所有可能投资组合的集合，在其风险-回报空间中是一个凸集。例如，如果组合A和组合B都是可行的，那么将资金按任意比例投资于A和B而形成的新组合也是可行的。这个凸性是推导{{{有效前沿}}} (Efficient Frontier) 并解决{{{均值-方差优化}}}问题的基础。