# 拟凸函数 (Quasiconvex Function)
拟凸函数 (Quasiconvex Function) 是{{{数学分析}}}和{{{数理优化}}}中的一类重要函数，可以视为{{{凸函数}}} (Convex Function) 概念的推广。与凸函数相比，拟凸函数的要求更弱，因此其适用范围更广。拟凸函数及其对偶概念——{{{拟凹函数}}} (Quasiconcave Function)，在{{{经济学}}}、{{{运筹学}}}和工程学等领域有广泛应用，尤其是在描述非典型的成本结构和进行{{{最优化}}}决策时。
## 正式定义 (Formal Definitions)
一个定义在{{{凸集}}} (Convex Set) $S \subseteq \mathbb{R}^n$ 上的实值函数 $f: S \to \mathbb{R}$ 被称为拟凸函数，如果它满足以下几个等价条件中的任意一个。
### 定义一：基于下水平集
这是最直观且最常用的定义。函数 $f$ 是拟凸的，当且仅当它的所有 {{{下水平集}}} (Lower Level Sets) 都是凸集。
对于任意实数 $\alpha \in \mathbb{R}$，函数 $f$ 的下水平集 $L_\alpha$ 定义为： $$ L_\alpha = \{x \in S \mid f(x) \le \alpha\} $$ 如果对于每一个 $\alpha$，集合 $L_\alpha$ 都是一个凸集，那么 $f$ 就是一个拟凸函数。
从几何上看，这意味着对于函数图像上的任意“高度” $\alpha$，所有低于或等于该高度的点所对应的定义域子集，必须是一个连通的、没有“洞”或“分离部分”的凸集。
### 定义二：基于函数值比较
这个定义类似于{{{凸函数}}}的{{{詹森不等式}}} (Jensen's Inequality)，但条件更宽松。函数 $f$ 是拟凸的，当且仅当对于其定义域 $S$ 中的任意两点 $x_1, x_2$ 和任意 $\theta \in [0, 1]$，以下不等式成立： $$ f(\theta x_1 + (1-\theta)x_2) \le \max\{f(x_1), f(x_2)\} $$ 这个不等式表明，连接定义域中任意两点的线段上，所有点的函数值都不会超过这两端点函数值的最大值。
作为对比，凸函数的定义要求更强： $$ f(\theta x_1 + (1-\theta)x_2) \le \theta f(x_1) + (1-\theta)f(x_2) $$ 由于加权平均值 $\theta f(x_1) + (1-\theta)f(x_2)$ 必然小于或等于最大值 $\max\{f(x_1), f(x_2)\}$，因此任何凸函数都必然是拟凸函数。
## 拟凸函数的性质与特点
### 与凸函数的关系
1. 所有{{{凸函数}}}都是拟凸函数。这一点可以从上述定义二的比较中直接看出。 2. 并非所有拟凸函数都是凸函数。这是拟凸函数作为推广概念的核心。一个典型的例子是定义在 $\mathbb{R}$ 上的函数 $f(x) = x^3$。 * 它是拟凸的：因为其下水平集 $L_\alpha = \{x \in \mathbb{R} \mid x^3 \le \alpha\} = (-\infty, \sqrt[3]{\alpha}]$ 是一个区间，而区间是凸集。 * 它不是凸的：因为它的二阶导数 $f''(x) = 6x$ 在 $x<0$ 时为负，不满足凸函数二阶导数非负的条件。
其他非凸的拟凸函数例子包括单调函数、以及具有“U”形但底部平坦或不光滑的函数。
### 与拟凹函数的关系
一个函数 $f$ 是{{{拟凹函数}}} (Quasiconcave Function)，当且仅当 $-f$ 是一个拟凸函数。相应地，拟凹函数的上水平集 (Upper Level Sets) 是凸集。在经济学中，{{{效用函数}}}和{{{生产函数}}}通常被假设为拟凹函数。
如果一个函数既是拟凸的又是拟凹的，则称其为 拟线性函数 (Quasilinear Function)。在单变量情况下，这意味着函数是{{{单调}}}的 (Monotonic)。
### 在最优化中的重要性
拟凸函数在{{{最优化理论}}}中具有一个非常重要的性质：对于一个拟凸函数，任何{{{局部极小值}}} (Local Minimum) 同时也是它的{{{全局极小值}}} (Global Minimum)。
逻辑解释：假设 $x^*$ 是一个局部极小值，但不是全局极小值。这意味着存在一个点 $y$，使得 $f(y) < f(x^*)$。现在考虑连接 $y$ 和 $x^*$ 的线段上的点 $z(\theta) = \theta y + (1-\theta)x^*$，其中 $\theta \in (0, 1]$。根据拟凸函数的定义，我们有 $f(z(\theta)) \le \max\{f(y), f(x^*)\} = f(x^*)$。这意味着在线段上任意接近 $x^*$ 的点，其函数值都不会超过 $f(x^*)$。这与 $x^*$ 是一个严格局部极小值的概念相矛盾。因此，一个局部极小点必须是全局最小的。（注意：全局最小值可能不止一个，所有全局最小点构成的集合是一个凸集）。
这个性质使得求解拟凸优化问题（在一个凸集上最小化一个拟凸函数）成为可能，尽管其难度高于传统的{{{凸优化}}} (Convex Optimization)，但仍然可以通过如二分法等有效算法求解。
## 在经济学中的应用
虽然经济学中的{{{效用理论}}}和{{{生产理论}}}更多地使用拟凹函数，但拟凸函数在描述成本和某些特定偏好时同样至关重要。
一个经典的应用是模拟企业的 U形{{{平均成本}}}曲线 (Average Cost Curve)。
* 在生产初期，由于存在{{{规模经济}}} (Economies of Scale)（例如，专业化分工、固定成本分摊），企业的平均成本会随着产量的增加而下降。 * 当产量超过某个点后，由于管理变得复杂、生产要素效率降低等{{{规模不经济}}} (Diseconomies of Scale) 的出现，平均成本会转而上升。
这种先下降后上升的“U”形曲线，就是一个典型的拟凸函数。它不一定是凸函数（例如，下降段的曲率可能不满足凸性要求），但它满足拟凸函数的定义：任何低于或等于某一成本水平 $\alpha$ 的产量区间，都是一个连续的区间（即凸集）。
企业的目标之一是找到使平均成本最小化的产量水平。由于平均成本函数是拟凸的，其局部最小值（即成本曲线的谷底）就是全局最小值。这为企业寻找最优生产规模提供了理论依据。