UPD on 2021/2/10 :
想到可能因为年代过于久远，2014年集训队论文中的一个小结论要找的话稍微有点麻烦，这里直接挂出来算了。
前置芝士:
注：这个上凸定义不严谨，极端情况下一些直线也会被这个定义定义为上凸的。
应用：
1.
右边的等价符号显然，只论证左边的推导符号。
(1)阶导上凸 (
ightarrow forall x_{1},x_{2} in) 定义域,(f'(frac{x_{1}+x_{2}}{2}) geq frac {f'(x_{1})+f'(x_{2})}{2})
假设(x_{1}),(x_{2})是关于极值点对称的两个点，就有: (0 geq frac{f'(x_{1})+f'(x_{2})}{2})
即(f'(x_{2})<-f'(x_{1}))
从图像的角度理解，就是从极值点往两边，左边的函数值始终比关于极值点对称的右边一点的下降速度更快。
借鉴高中物理微元法（其实就是定性分析）可得，
若该极值为极小值，则(f(x_{2})<f(x_{1})),要找一个值(x_{3})满足(f(x_{3})=f(x_{2}))的话，就有(x_{2}+x_{3}>2x_{0})
其他情况同理分析。
2.2014集训队论文 余行江《矩阵命题报告》
这篇论文中提到了一个结论：
如果对于一张完全二分图，建立源汇，源向左边的 (n) 个点连容量为 (1-k) ，费用为 (0) 的边；左边的每个点和右边的每个点都连容量为 (inf) ，费用为(a_{i,j})(随意)的边；右边的每个点向汇连容量为 (1+k) ，费用为 (0) 的边。那么，这张图的最大费用流是关于k的上凸函数。
证明：
首先根据上凸函数的性质，我们要证的就是，(forall x_{1},x_{2} in [-1,1]),若当(k=x_{1},x_{2})时的最大收益为(f(x_{1}),f(x_{2}))时，则(f(frac{x_{1}+x_{2}}{2})geq frac{f(x_{1})+f(x_{2})}{2}),也就是对于(k=frac{x_{1}+x_{2}}{2}),存在一种方案使得收益不小于(frac{f(x_{1})+f(x_{2})}{2})。
这个是可以根据(f(x_{1}))和(f(x_{2}))的方案构造出来的，把两个方案在二分图中间的每条边的流量缩减到一半，再拼起来，收益是(frac{f(x_{1})+f(x_{2})}{2})，而且满足二分图两边关于流量的限制。
个人觉得上面的第二个应用开拓了一种新的证明思路，在对一些打表或猜测得出的结论的证明中可能会有一些作用。