凸优化中，为什么仿射函数均是闭正常凸函数？？？

凸优化中，为什么仿射函数均是闭正常凸函数？？？

”凸优化“ 是指一种比较特殊的优化，是指求取最小值的目标函数为凸函数的一类优化问题。其中，目标函数为凸函数且定义域为凸集的优化问题称为无约束凸优化问题。而目标函数和不等式约束函数均为凸函数，等式约束函数为仿射函数，并且定义域为凸集的优化问题为约束优化问题
仿射函数：affine function
仿射函数即由1阶多项式构成的函数，一般形式为 f (x) = A x + b，这里，A 是一个 m×k 矩阵，x 是一个 k 向量,b是一个m向量，实际上反映了一种从 k 维到 m 维的空间映射关系。
设f是一个矢性（值）函数，若它可以表示为f(x1,x2,…,xn)=A1x1+A2x2+…+Anxn+b，其中Ai可以是标量，也可以是矩阵，则称f是仿射函数。
deg(f)=1的函数称为仿射函数，常数项为零的仿射函数称为线性函数，n元仿射（线性）函数的集合记为na(nl).:car+（非负实数）为弧上的权函数，弧(i,j)a上的权c(i,j)称为容量，记为cij。

其几何意义表示为：如果集合c中任意2个元素连线上的点也在集合c中，则c为凸集。其示意图如下所示： 　　常见的凸集有： 　　n维实数空间；一些范数约束形式的集合；仿射子空间；凸集的交集；n维半正定矩阵集；这些都可以通过凸集的定义去证明。 　　凸函数的定义为： 　　其几何意义表示为函数任意两点连线上的值大于对应自变量处的函数值，示意图如下： 　　凸函数的一阶充要条件为： 　　其中要求f一阶可微。 　　二阶充要条件为： 　　其中要求f二阶可微，表示二阶导数需大于0才是凸函数。 按照上面的两个定义，如果f(x)=x^2肯定是凸函数，而g(x) = -x^2是非凸函数。也就是说开口向下的函数是非凸函数，但是对于这种情况可以通过添加负号变成凸函数，从而求解。 　　常见的凸函数有：指数函数族；非负对数函数；仿射函数；二次函数；常见的范数函数；凸函数非负加权的和等。这些可以采用上面2个充要条件或者定义去证明。 　　凸优化问题（opt）的定义为： 　　即要求目标函数是凸函数，变量所属集合是凸集合的优化问题。或者目标函数是凸函数，变量的约束函数是凸函数（不等式约束时），或者是仿射函数（等式约束时）。 　　对于凸优化问题来说，局部最优解就是全局最优解。 　　常见的凸优化问题包括： 　　线性规划（lp）：该问题是优化下面的式子： 　　其中那个不常见的奇怪符号表示按元素小于等于，后面出现类似符号可以类似理解。 　　二次规划（qp）：该问题是优化下面的式子： 　　二次约束的二次规划（qcqp）：该问题是优化下面的式子： 　　半正定规划（sdp）：该问题是优化下面的式子： 　　按照文章说sdp在机器学习领域应用很广，最近很流行，不过我好像没太接触到过。