说明：已尝试检查附件 getPDF.jsp(nonsmooth).pdf，但其文本内容无法在工具内读取/搜索，因此以下总结基于标准理论及提供的文献来源。

1. 非光滑分析的基本思想

• 经典微积分对光滑函数非常有效，但许多重要函数是非光滑的，例如：

  • f(x)=|x|
  • f(x)=max_i f_i(x)
  • 距离函数
  • 优化/控制中的值函数
  • 深度学习中ReLU型分段线性损失函数

• 非光滑分析不要求一个导数，而是求一组广义导数。

• 对于局部Lipschitz函数 f: R^n -> R，Clarke引入了广义方向导数和广义梯度，用于非光滑优化。

2. Clarke广义方向导数

对于局部Lipschitz的 f，Clarke在点 x 沿方向 v 的方向导数通常写作：

f°(x; v) = limsup_{y -> x, t ↓ 0} [f(y + t v) - f(y)] / t.

要点：

• 专为局部Lipschitz非光滑函数设计。
• 在标准Clarke理论中，它对 v 是正齐次和次可加的。
• 通常大于或等于普通方向导数（当两者在可比环境中考虑时）。
• 它捕捉了 x 附近最坏情况的局部方向性增长。

3. Clarke次微分

Clarke次微分通常定义为：

∂C f(x) = { ξ in R^n: f°(x; v) >= <ξ, v> for all v in R^n }.

一个等价的常见描述（针对局部Lipschitz f）是：Clarke次微分是函数可微点附近经典梯度的极限的凸包。

∂C f(x) = co { limits of ∇f(x_k): x_k -> x, f differentiable at x_k }.

这里 co 表示凸包。

关键性质：

• ∂C f(x) 是局部Lipschitz函数的集值广义导数。
• 在标准有限维Clarke理论中，∂C f(x) 非空、紧致且凸。
• 如果 f 在 x 附近连续可微，则Clarke次微分退化为普通梯度：

∂C f(x) = {∇f(x)}.

• 如果 f 是凸函数，Clarke次微分与通常的凸分析次微分一致（在标准设定下）。

例子：

f(x) = |x|.

那么

∂C f(x) =
  {-1},        x < 0
  [-1, 1],     x = 0
  {1},         x > 0.

这是一个经典例子，展示了角点如何用一个可能的斜率区间表示。

4. Clarke次微分的微积分法则

设 f, g: R^n -> R 在 x 附近局部Lipschitz；Clarke微积分法则是非光滑优化理论的核心部分。

求和法则

∂C(f + g)(x) ⊂ ∂C f(x) + ∂C g(x).

在额外的正则性条件下，等式可能成立。

数乘法则

对于标量 a，

∂C(a f)(x) = a ∂C f(x).

若 a < 0，集合取反射。

乘积法则

∂C(fg)(x) ⊂ f(x) ∂C g(x) + g(x) ∂C f(x).

这是Clarke次微分演算中标准的包含型法则之一。

商法则

若 g(x) ≠ 0 且 g 在 x 附近远离零，则商法则形如：

∂C(f/g)(x) ⊂ [g(x) ∂C f(x) - f(x) ∂C g(x)] / g(x)^2.

链式法则

若 F: R^n -> R^m 在 x 处严格可微，且 φ: R^m -> R 在 F(x) 附近局部Lipschitz，则Clarke链式法则通常表述为如下包含关系：

∂C(φ ∘ F)(x) ⊂ DF(x)^T ∂C φ(F(x)).

若 φ 在Clarke意义下是正则的，则存在更强形式。

极大值法则

若

f(x) = max { f1(x), ..., fm(x) },

其中每个 fi 局部Lipschitz，定义有效指标集

I(x) = { i: fi(x) = f(x) }.

则标准Clarke极大值法则给出如下包含关系：

∂C f(x) ⊂ co ⋃_{i in I(x)} ∂C fi(x).

若 fi 光滑，则变为：

∂C f(x) ⊂ co { ∇fi(x): i in I(x) }.

对于许多标准极大值函数，在适当的正则性假设下等式成立。

非光滑优化的Fermat法则

若 x 是局部Lipschitz函数 f 的局部极小点，则非光滑Fermat条件为：

0 ∈ ∂C f(x).

这是 ∇f(x)=0 的非光滑类比。

5. 经典论文与著作

• F. H. Clarke 关于广义梯度的奠基性工作是非光滑分析中Clarke广义导数的开创性来源。

• Hiriart-Urruty 的有限维工作讨论了Clarke方向导数、Clarke广义梯度、微积分法则及其在非光滑优化中的应用。

• Rockafellar 关于数学规划中广义次梯度的工作是另一条奠基性线索；其论文概述了广义方向导数和次梯度的基础。

6. 近期文献方向

• 2025年的研究工作继续使用Clarke型对象及其松弛形式。例如，一篇2025年的论文研究了使用 Goldstein次微分（被描述为Clarke次微分的松弛版本，已用于多种算法）的收敛速度。

• Clarke广义方向导数继续出现在集合优化问题的最优性条件中。一篇2025年的论文使用一种新的Clarke型广义导数研究了近似弱最小解。

• Rockafellar 近期的出版物表明其在集值和非光滑分析方面的持续工作，包括2025年与变分法相关的研究。

7. 推荐学习路径

1. 从Clarke广义方向导数和次微分开始。
2. 学习核心微积分法则：求和、乘积、链式、极大值和Fermat法则。
3. 研究凸次微分并与Clarke次微分进行比较。
4. 转向变分分析：法锥、伴导数以及更广泛的广义微分框架。
5. 阅读在算法中使用Clarke或Goldstein次微分的最新优化论文。

一个实用的初学书单：

• Clarke关于广义梯度和Clarke广义导数的经典论文。
• Hiriart-Urruty关于广义导数与非光滑优化的综述。
• Rockafellar的《数学规划中的广义次梯度》。
• 在非光滑优化算法和最优性条件中使用Goldstein或Clarke型次微分的最新论文。

说明：已尝试检查附件 getPDF.jsp(nonsmooth).pdf，但其文本内容无法在工具内读取/搜索，因此以下总结基于标准理论及提供的文献来源。

1. 非光滑分析的基本思想

• 经典微积分对光滑函数非常有效，但许多重要函数是非光滑的，例如：

  • f(x)=|x|
  • f(x)=max_i f_i(x)
  • 距离函数
  • 优化/控制中的值函数
  • 深度学习中ReLU型分段线性损失函数

• 非光滑分析不要求一个导数，而是求一组广义导数。

• 对于局部Lipschitz函数 f: R^n -> R，Clarke引入了广义方向导数和广义梯度，用于非光滑优化。

2. Clarke广义方向导数

对于局部Lipschitz的 f，Clarke在点 x 沿方向 v 的方向导数通常写作：

f°(x; v) = limsup_{y -> x, t ↓ 0} [f(y + t v) - f(y)] / t.

要点：

• 专为局部Lipschitz非光滑函数设计。
• 在标准Clarke理论中，它对 v 是正齐次和次可加的。
• 通常大于或等于普通方向导数（当两者在可比环境中考虑时）。
• 它捕捉了 x 附近最坏情况的局部方向性增长。

3. Clarke次微分

Clarke次微分通常定义为：

∂C f(x) = { ξ in R^n: f°(x; v) >= <ξ, v> for all v in R^n }.

一个等价的常见描述（针对局部Lipschitz f）是：Clarke次微分是函数可微点附近经典梯度的极限的凸包。

∂C f(x) = co { limits of ∇f(x_k): x_k -> x, f differentiable at x_k }.

这里 co 表示凸包。

关键性质：

• ∂C f(x) 是局部Lipschitz函数的集值广义导数。
• 在标准有限维Clarke理论中，∂C f(x) 非空、紧致且凸。
• 如果 f 在 x 附近连续可微，则Clarke次微分退化为普通梯度：

∂C f(x) = {∇f(x)}.

• 如果 f 是凸函数，Clarke次微分与通常的凸分析次微分一致（在标准设定下）。

例子：

f(x) = |x|.

那么

∂C f(x) =
  {-1},        x < 0
  [-1, 1],     x = 0
  {1},         x > 0.

这是一个经典例子，展示了角点如何用一个可能的斜率区间表示。

4. Clarke次微分的微积分法则

设 f, g: R^n -> R 在 x 附近局部Lipschitz；Clarke微积分法则是非光滑优化理论的核心部分。

求和法则

∂C(f + g)(x) ⊂ ∂C f(x) + ∂C g(x).

在额外的正则性条件下，等式可能成立。

数乘法则

对于标量 a，

∂C(a f)(x) = a ∂C f(x).

若 a < 0，集合取反射。

乘积法则

∂C(fg)(x) ⊂ f(x) ∂C g(x) + g(x) ∂C f(x).

这是Clarke次微分演算中标准的包含型法则之一。

商法则

若 g(x) ≠ 0 且 g 在 x 附近远离零，则商法则形如：

∂C(f/g)(x) ⊂ [g(x) ∂C f(x) - f(x) ∂C g(x)] / g(x)^2.

链式法则

若 F: R^n -> R^m 在 x 处严格可微，且 φ: R^m -> R 在 F(x) 附近局部Lipschitz，则Clarke链式法则通常表述为如下包含关系：

∂C(φ ∘ F)(x) ⊂ DF(x)^T ∂C φ(F(x)).

若 φ 在Clarke意义下是正则的，则存在更强形式。

极大值法则

若

f(x) = max { f1(x), ..., fm(x) },

其中每个 fi 局部Lipschitz，定义有效指标集

I(x) = { i: fi(x) = f(x) }.

则标准Clarke极大值法则给出如下包含关系：

∂C f(x) ⊂ co ⋃_{i in I(x)} ∂C fi(x).

若 fi 光滑，则变为：

∂C f(x) ⊂ co { ∇fi(x): i in I(x) }.

对于许多标准极大值函数，在适当的正则性假设下等式成立。

非光滑优化的Fermat法则

若 x 是局部Lipschitz函数 f 的局部极小点，则非光滑Fermat条件为：

0 ∈ ∂C f(x).

这是 ∇f(x)=0 的非光滑类比。

5. 经典论文与著作

• F. H. Clarke 关于广义梯度的奠基性工作是非光滑分析中Clarke广义导数的开创性来源。

• Hiriart-Urruty 的有限维工作讨论了Clarke方向导数、Clarke广义梯度、微积分法则及其在非光滑优化中的应用。

• Rockafellar 关于数学规划中广义次梯度的工作是另一条奠基性线索；其论文概述了广义方向导数和次梯度的基础。

6. 近期文献方向

• 2025年的研究工作继续使用Clarke型对象及其松弛形式。例如，一篇2025年的论文研究了使用 Goldstein次微分（被描述为Clarke次微分的松弛版本，已用于多种算法）的收敛速度。

• Clarke广义方向导数继续出现在集合优化问题的最优性条件中。一篇2025年的论文使用一种新的Clarke型广义导数研究了近似弱最小解。

• Rockafellar 近期的出版物表明其在集值和非光滑分析方面的持续工作，包括2025年与变分法相关的研究。

7. 推荐学习路径

1. 从Clarke广义方向导数和次微分开始。
2. 学习核心微积分法则：求和、乘积、链式、极大值和Fermat法则。
3. 研究凸次微分并与Clarke次微分进行比较。
4. 转向变分分析：法锥、伴导数以及更广泛的广义微分框架。
5. 阅读在算法中使用Clarke或Goldstein次微分的最新优化论文。

一个实用的初学书单：

• Clarke关于广义梯度和Clarke广义导数的经典论文。
• Hiriart-Urruty关于广义导数与非光滑优化的综述。
• Rockafellar的《数学规划中的广义次梯度》。
• 在非光滑优化算法和最优性条件中使用Goldstein或Clarke型次微分的最新论文。