Für eine erweiterungswertige Funktion f auf einem Vektorraum ist die Fenchel-Konjugierte f* die Funktion f*(y) = sup_x (⟨y,x⟩ − f(x)), die primale Kostenfunktionen in konvexe duale Repräsentationen überführt.

Prinzip

Die Transformation wandelt punktweise Strafen in supportähnliche Dualfunktionen um; unter Konvexität und unterer Halbstetigkeit stellt die Bikonjugation die konvexe Hülle wieder her, und Dualitätsbeziehungen verbinden Subgradienten mit Maximierern der Sup-Definition.

Demonstration

Für eine quadratische Funktion f(x)=½ x^T Q x mit Q positiv definit ist die Konjugierte erneut quadratisch f*(y)=½ y^T Q^{-1} y, und die Optimalität des Sup verknüpft y mit Qx.

Fehlanwendung

Die Konjugation auf nichtkonvexe Funktionen anzuwenden, ohne die konvexe Hülle zu betrachten, oder erweiterungswertige Konventionen zu ignorieren, führt zu falschen Dualen; Rollenvertauschungen in unendlichdimensionalen Räumen ohne topologische Vorsicht sind ebenfalls fehlerhaft.

Konsequenz

Fenchel-Konjugation liefert eine systematische Konstruktion dualer Probleme, ergibt variationale Darstellungen (z. B. Supportfunktionen, Indikatorduale) und bildet die Grundlage konvexer Optimierungsalgorithmen und Optimalitätsbedingungen.

Umkehrung

Die klassische Legendre-Transformation ist ein Spezialfall, der Differenzierbarkeit und strikte Konvexität verlangt; Fenchel-Konjugation verallgemeinert sie auf nondifferenzierbare und erweiterungswertige konvexe Funktionen.

Abgrenzung

Definiert im konvex-analytischen Rahmen für Funktionen, die +∞ annehmen können; sie benötigt ein Paarungsprodukt ⟨·,·⟩ und die passende Topologie, damit der Bikonjugat gleich der Ausgangsfunktion ist.

Semantische Spannung

Fenchel-Konjugierte versus Legendre-Transformation: Beide bilden Dualfunktionen ab, unterscheiden sich jedoch in Regularitätsanforderungen und Anwendungsbereich (Fenchel behandelt Nondifferenzierbarkeit und Zwänge mittels +∞).

Synthese

Die Fenchel-Konjugierte ist die konvex-analytische Transformation, die einer Funktion ihre supremalen affinen Unterschranken zuordnet und so eine duale Repräsentation liefert, die zentral für konvexe Dualität und Variationsanalyse ist.