由於無法直接讀取附件 getPDF.jsp(nonsmooth).pdf 中的文字內容，以下整理將以標準理論與所提供的文獻來源為基礎。

1. 非平滑分析的基本概念

• 古典微積分對平滑函數運作良好，但許多重要的函數是非平滑的，例如：
  • f(x)=|x|
  • f(x)=max_i f_i(x)
  • 距離函數
  • 優化與控制中的價值函數
  • ReLU 型分段線性損失函數
• 非平滑分析不尋求一個導數，而是尋求一組廣義導數。
• 對於局部 Lipschitz 函數 f: R^n -> R，Clarke 引入了廣義方向導數與廣義梯度，作為非平滑優化的工具。

2. Clarke 廣義方向導數

對於局部 Lipschitz 的 f，Clarke 方向導數在點 x 沿方向 v 的標準定義為：

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

重點摘要：

• 專為局部 Lipschitz 非平滑函數設計。
• 在標準 Clarke 理論中，關於 v 是正齊次與次可加的。
• 通常大於或等於一般方向導數。
• 捕捉 x 點附近「最壞情況」的局部方向性增長。

3. Clarke 次微分

Clarke 次微分的標準定義為：

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

對於局部 Lipschitz 函數 f，另一個等價的經典描述是：Clarke 次微分等於函數可微點附近古典梯度極限的凸包。

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

此處 co 代表凸包。

重要性質：

• ∂C f(x) 是局部 Lipschitz 函數的集合值廣義導數。
• 在標準有限維度 Clarke 理論中，∂C f(x) 對局部 Lipschitz 函數 f 而言是非空、緊緻且凸的。
• 若 f 在 x 附近連續可微，則 Clarke 次微分退化為普通梯度：

  ∂C f(x) = {∇f(x)}.
  

• 若 f 是凸函數，Clarke 次微分與標準凸分析次微分一致。

範例：

f(x) = |x|.

則

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

這個經典範例展示了「角點」如何由一整段可能的斜率區間來表示。

4. Clarke 次微分的微分法則

設 f, g: R^n -> R 在 x 附近皆為局部 Lipschitz；Clarke 微分法則是非平滑優化理論的核心。

和法則

∂C(f + g)(x) ⊂ ∂C f(x) + ∂C g(x).

在額外的正則條件下，包含關係可成為等式。

純量乘法

對於純量 a，

∂C(a f)(x) = a ∂C f(x).

若 a < 0，則集合會被反射。

積法則

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

這是 Clarke 次微分微積分中標準的包含型規則之一。

商法則

若 g(x) ≠ 0 且在 x 附近 g 有界遠離零，則標準商法則為：

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

鏈鎖法則

若 F: R^n -> R^m 在 x 點嚴格可微，且 φ: R^m -> R 在 F(x) 附近局部 Lipschitz，則 Clarke 鏈鎖法則的標準形式為下列包含關係：

∂C(φ ∘ F)(x) ⊂ DF(x)^T ∂C φ(F(x)).

若 φ 在 Clarke 意義下為正則，則可用更強的形式。

最大值法則

若

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

其中每個 fi 皆為局部 Lipschitz，定義活躍指標集

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

則標準 Clarke 最大值法則給出下列包含關係：

∂C f(x) ⊂ co ⋃_{i in I(x)} ∂C fi(x).

若各 fi 為平滑函數，則可化簡為：

∂C f(x) ⊂ co { ∇fi(x): i in I(x) }.

在許多標準的最大值函數中，在適當的正則假設下等式會成立。

非平滑優化的費馬條件

若 x 是局部 Lipschitz 函數 f 的局部極小點，則非平滑費馬條件為：

0 ∈ ∂C f(x).

此為 ∇f(x)=0 在非平滑情況下的類比。

5. 經典論文與書籍

• F. H. Clarke 關於廣義梯度的著作是 Clarke 廣義導數在非平滑分析中的奠基來源。
• Hiriart-Urruty 的有限維度著作討論了 Clarke 方向導數、Clarke 廣義梯度、微分法則及其在非平滑優化中的應用。
• Rockafellar 在數學規劃中關於廣義次梯度的工作是另一條基礎路線；其論文概述了廣義方向導數與次梯度的基礎。
• 經典教科書《Optimization and Nonsmooth Analysis》提供了完整的理論陳述。

6. 近期文獻方向

• 2025 年研究：一篇 2025 年的論文利用 Goldstein 次微分（Clarke 次微分的一種鬆弛版本，已出現在多種演算法中）來研究非平滑優化的收斂速度。
• Clarke 型廣義導數 持續出現在集合優化問題的最優性條件中；一篇 2025 年的論文利用一種新型 Clarke 型廣義導數研究近似弱最小解。
• Rockafellar 近期的出版物（包括 2025 年）顯示其在集合值與非平滑分析領域持續有相關工作，部份與變分法相關。
• 其他近期主題包括：二階次微分微分法則（應用於傾斜穩定分析）、連續次微分近似、以及涉及 Clarke 次微分的 Sobolev 型系統近似可控性。

7. 建議的學習路徑

1. 從 Clarke 廣義方向導數與次微分 開始。
2. 學習核心微分法則：和、積、鏈鎖、最大值與費馬規則。
3. 研究凸次微分，並與 Clarke 次微分進行比較。
4. 進入變分分析：法錐、餘導數以及更廣義的微分框架。
5. 閱讀近期在演算法中使用 Clarke 或 Goldstein 次微分的優化論文。

實用的初步閱讀清單：

• Clarke 關於廣義梯度與 Clarke 廣義導數的著作。
• Hiriart-Urruty 關於廣義導數與非平滑優化的論文。
• Rockafellar 的《Generalized Subgradients in Mathematical Programming》。
• 近期在非平滑優化演算法與最優性條件中使用 Goldstein 或 Clarke 型次微分的論文。

由於無法直接讀取附件 getPDF.jsp(nonsmooth).pdf 中的文字內容，以下整理將以標準理論與所提供的文獻來源為基礎。

1. 非平滑分析的基本概念

• 古典微積分對平滑函數運作良好，但許多重要的函數是非平滑的，例如：
  • f(x)=|x|
  • f(x)=max_i f_i(x)
  • 距離函數
  • 優化與控制中的價值函數
  • ReLU 型分段線性損失函數
• 非平滑分析不尋求一個導數，而是尋求一組廣義導數。
• 對於局部 Lipschitz 函數 f: R^n -> R，Clarke 引入了廣義方向導數與廣義梯度，作為非平滑優化的工具。

2. Clarke 廣義方向導數

對於局部 Lipschitz 的 f，Clarke 方向導數在點 x 沿方向 v 的標準定義為：

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

重點摘要：

• 專為局部 Lipschitz 非平滑函數設計。
• 在標準 Clarke 理論中，關於 v 是正齊次與次可加的。
• 通常大於或等於一般方向導數。
• 捕捉 x 點附近「最壞情況」的局部方向性增長。

3. Clarke 次微分

Clarke 次微分的標準定義為：

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

對於局部 Lipschitz 函數 f，另一個等價的經典描述是：Clarke 次微分等於函數可微點附近古典梯度極限的凸包。

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

此處 co 代表凸包。

重要性質：

• ∂C f(x) 是局部 Lipschitz 函數的集合值廣義導數。
• 在標準有限維度 Clarke 理論中，∂C f(x) 對局部 Lipschitz 函數 f 而言是非空、緊緻且凸的。
• 若 f 在 x 附近連續可微，則 Clarke 次微分退化為普通梯度：

  ∂C f(x) = {∇f(x)}.
  

• 若 f 是凸函數，Clarke 次微分與標準凸分析次微分一致。

範例：

f(x) = |x|.

則

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

這個經典範例展示了「角點」如何由一整段可能的斜率區間來表示。

4. Clarke 次微分的微分法則

設 f, g: R^n -> R 在 x 附近皆為局部 Lipschitz；Clarke 微分法則是非平滑優化理論的核心。

和法則

∂C(f + g)(x) ⊂ ∂C f(x) + ∂C g(x).

在額外的正則條件下，包含關係可成為等式。

純量乘法

對於純量 a，

∂C(a f)(x) = a ∂C f(x).

若 a < 0，則集合會被反射。

積法則

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

這是 Clarke 次微分微積分中標準的包含型規則之一。

商法則

若 g(x) ≠ 0 且在 x 附近 g 有界遠離零，則標準商法則為：

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

鏈鎖法則

若 F: R^n -> R^m 在 x 點嚴格可微，且 φ: R^m -> R 在 F(x) 附近局部 Lipschitz，則 Clarke 鏈鎖法則的標準形式為下列包含關係：

∂C(φ ∘ F)(x) ⊂ DF(x)^T ∂C φ(F(x)).

若 φ 在 Clarke 意義下為正則，則可用更強的形式。

最大值法則

若

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

其中每個 fi 皆為局部 Lipschitz，定義活躍指標集

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

則標準 Clarke 最大值法則給出下列包含關係：

∂C f(x) ⊂ co ⋃_{i in I(x)} ∂C fi(x).

若各 fi 為平滑函數，則可化簡為：

∂C f(x) ⊂ co { ∇fi(x): i in I(x) }.

在許多標準的最大值函數中，在適當的正則假設下等式會成立。

非平滑優化的費馬條件

若 x 是局部 Lipschitz 函數 f 的局部極小點，則非平滑費馬條件為：

0 ∈ ∂C f(x).

此為 ∇f(x)=0 在非平滑情況下的類比。

5. 經典論文與書籍

• F. H. Clarke 關於廣義梯度的著作是 Clarke 廣義導數在非平滑分析中的奠基來源。
• Hiriart-Urruty 的有限維度著作討論了 Clarke 方向導數、Clarke 廣義梯度、微分法則及其在非平滑優化中的應用。
• Rockafellar 在數學規劃中關於廣義次梯度的工作是另一條基礎路線；其論文概述了廣義方向導數與次梯度的基礎。
• 經典教科書《Optimization and Nonsmooth Analysis》提供了完整的理論陳述。

6. 近期文獻方向

• 2025 年研究：一篇 2025 年的論文利用 Goldstein 次微分（Clarke 次微分的一種鬆弛版本，已出現在多種演算法中）來研究非平滑優化的收斂速度。
• Clarke 型廣義導數 持續出現在集合優化問題的最優性條件中；一篇 2025 年的論文利用一種新型 Clarke 型廣義導數研究近似弱最小解。
• Rockafellar 近期的出版物（包括 2025 年）顯示其在集合值與非平滑分析領域持續有相關工作，部份與變分法相關。
• 其他近期主題包括：二階次微分微分法則（應用於傾斜穩定分析）、連續次微分近似、以及涉及 Clarke 次微分的 Sobolev 型系統近似可控性。

7. 建議的學習路徑

1. 從 Clarke 廣義方向導數與次微分 開始。
2. 學習核心微分法則：和、積、鏈鎖、最大值與費馬規則。
3. 研究凸次微分，並與 Clarke 次微分進行比較。
4. 進入變分分析：法錐、餘導數以及更廣義的微分框架。
5. 閱讀近期在演算法中使用 Clarke 或 Goldstein 次微分的優化論文。

實用的初步閱讀清單：

• Clarke 關於廣義梯度與 Clarke 廣義導數的著作。
• Hiriart-Urruty 關於廣義導數與非平滑優化的論文。
• Rockafellar 的《Generalized Subgradients in Mathematical Programming》。
• 近期在非平滑優化演算法與最優性條件中使用 Goldstein 或 Clarke 型次微分的論文。