A Convergent ADMM Algorithm for Grain Boundary Energy Minimization
The Hong Kong University of Science and Technology(香港科技大学);Shenzhen University(深圳大学);HKUST Shenzhen-Hong Kong Collaborative Innovation Research Institute(港深创新研究院)
研究材料科学中晶界能量最小化的约束问题,用递增惩罚参数修改ADMM算法,分析其收敛性,证明序列极限性质及目标函数拟凸性,通过数值例子验证算法收敛并比较不同方法结果。
2026-07-22 cs.NA math.NA math.OC
Convexification-based globally convergent numerical method for a 1D coefficient inverse problem with experimental data
为了从后向散射数据计算空间分布的介电常数,我们研究了一维双曲型方程的系数反问题。为了解决这一反问题,我们建立了一个新的Carleman估计,并利用这个估计在希尔伯特空间中构造了一个在任意直径的凸有界集上严格凸的代价泛函.严格凸性的性质得到严格证明。这个结果被称为凸化定理,并被认为是本文的中心分析结果。利用梯度下降法极小化该凸泛函,得到了系数反问题的理想数值解。我们证明了梯度下降法产生的序列收敛到最小值,我们还建立了一个定理,确认极小收敛到真正的解决方案,在测量数据中的噪声和正则化参数趋于零。与基于优化的方法不同,我们的凸化方法全局收敛,在这个意义上,它提供了一个很好的近似的精确解,而不需要任何初始猜测。计算模拟和实验数据的数值研究结果。
2021-04-23 cs.NA math.NA
Explicit and efficient error estimation for convex minimization problems
我们结合了一个系统的方法,推导出一般的后验误差估计凸最小化问题的基础上凸对偶关系与最近推导出的广义Marini公式。后验误差估计基本上是常数自由的,并适用于一大类变分问题,包括$p$ -狄利克雷问题,以及退化最小化,障碍和图像去噪问题。此外,这些后验误差估计是基于与给定的非一致有限元解的比较。对于$p$ -狄利克雷问题,这些后验误差界等价于残差型后验误差界,因此是可靠和有效的。
2022-04-22 cs.NA math.NA
Nonconforming discretizations of convex minimization problems and precise relations to mixed methods
本文讨论了凸极小化问题的离散有限元法,系统地导出了对偶混合格式。对偶关系导致简单的误差估计,避免了显式处理的不一致性错误。一个重建公式提供了离散的解决方案的对偶问题,通过一个简单的后处理过程,这意味着一个强大的对偶关系,并在后验误差估计的兴趣。该框架适用于可微和非光滑问题,例如$p$ -Laplace,全变差正则化和障碍问题。数值实验表明,该方法优于标准协调方法。
2020-02-06 cs.NA math.NA
Discrete weak duality of hybrid high-order methods for convex minimization problems
Institut für Mathematik, Universität Augsburg(奥格斯堡大学数学研究所)
本文推导了混合高阶方法的离散对偶问题,通过弱凸对偶性获得先验误差估计,提出后处理技术并设计自适应网格细化算法,优于均匀网格细化。
2024-04-05 cs.NA math.NA
Worst case approach in convex minimization problems with uncertain data
University of Jyvaskyla(于韦斯屈莱大学)
本文研究了凸优化问题中不确定数据引起的误差量化分析,通过对偶间隙作为基本误差度量,利用最坏情况方法评估不确定数据的影响,并通过非线性反应扩散问题的实例展示了方法。
2015-06-15 cs.NA math.NA
Multi-block Bregman proximal alternating linearized minimization and its application to orthogonal nonnegative matrix factorization
我们介绍并分析了BPALM和A-BPALM,这两个使用Bregman距离的多块邻近交替线性化最小化算法用于解决结构化非凸问题。目标函数是多块相对光滑函数(即,相对光滑的固定所有的块除了一个)和块可分(非光滑)的非凸函数。结果表明,我们的算法所产生的序列是逐次收敛到目标函数的临界点,而在KL不等式假设下,它们是全局收敛的。进一步分析了满足梯度不等式的函数的收敛速率.我们应用这个框架的正交非负矩阵分解(ONMF),满足我们所有的假设和相关的子问题解决封闭的形式,其中一些初步的数值结果报告。
2019-10-14 cs.NA math.NA math.OC
On SCD Semismooth$^*$ Newton methods for the efficient minimization of Tikhonov functionals with non-smooth and non-convex penalties
本文提出一类基于图形导数的SCD semismooth$^*$ Newton methods,用于高效最小化含非光滑非凸惩罚项的Tikhonov泛函,具有局部超线性收敛性,并在层析成像问题上验证了其性能。
2024-10-17 cs.NA math.NA
The Construction of High Order Convergent Look-Ahead Finite Difference Formulas for Zhang Neural Networks
Auburn University(奥本大学)
本文提出一种构造高阶收敛前瞻有限差分公式的系统方法,通过改进的线性系统求解和极点最小化算法,实现了任意阶截断误差的收敛差分公式,验证了已知的高阶收敛公式并生成了新的更高阶公式。
2019-04-23 cs.NA math.NA
Canonical Primal-Dual Method for Solving Non-convex Minimization Problems
University of Ballarat(巴拉瑞特大学);The Australian National University(澳大利亚国立大学)
提出一种基于规范对偶理论的新原始-对偶算法,将非凸最小化问题重构为凸-凹鞍点优化问题,并通过二次扰动原始-对偶方法求解,数值实验表明性能优于现有方法。
2012-12-28 cs.DS cs.NA math.NA
Solving Multiple-Block Separable Convex Minimization Problems Using Two-Block Alternating Direction Method of Multipliers
Nanjing University(南京大学);University of Minnesota(明尼苏达大学);The Chinese University of Hong Kong(香港中文大学)
本文提出将多块问题转换为双块问题以提升ADMM求解效率,推导出O(1/ε)迭代复杂度,并通过数值实验验证该方法在基追踪、鲁棒主成分分析等任务中的优越性。
2013-08-24 cs.NA math.NA math.OC
Non-convex optimization via strongly convex majoirziation-minimization
利用凸分析工具,引入了一类非光滑非凸最小二乘最优化问题,并提出了在初始化式远离原点的凸集上,利用迭代最小优化算法来寻找这类最优化问题的最优点.为此,我们首先利用一种方法构造了一类凸优化子,它们逼近凸集上非凸代价函数的值。当初始点$x^{(0)}$远离原点且迭代点$x^{(k)}$在以小半径$x^{(k-1)}$为中心的球内得到时,保证了迭代算法的收敛性。当剩余算子为强凸时,该算法收敛于代价函数的稳定点。对于这类最优化问题,代价函数的惩罚函数是凸函数的$\ell_1$ -范数与Moreau包络的差,它是Ivan Selesnick在\cite{IS17}中提出的GMC不可分罚函数的推广.
2019-06-13 cs.NA math.CA math.NA
Efficient First-order Methods for Convex Minimization: a Constructive Approach
我们描述了一种新的建设性的技术,设计有效的一阶方法的大范围的大规模凸最小化设置,包括光滑,非光滑,和强凸最小化。该技术建立在共轭梯度法的某种变体上,以构建一系列方法,使得a)该系列中的所有方法与基础共轭梯度法共享相同的最差情况保证,以及b)该系列包括固定步长一阶方法。我们证明了该方法的有效性,通过推导出最佳的方法为顺利和非顺利的情况下,包括新的方法,放弃知识的问题参数的成本,一维线搜索每次迭代,和一个通用的方法,这些类的工会,需要一个三维搜索每次迭代。在强凸的情况下,我们展示了如何可以使用数值工具来执行建设,并表明所得到的方法提供了一个改进的最坏情况下的限制相比,Nesterov的著名的快速梯度法。
2019-06-26 cs.NA math.NA math.OC
Convex risk minimization via proximal splitting methods
Chemnitz University of Technology(开姆尼茨工业大学)
本文探讨了近端对偶分裂方法在投资组合优化中的应用,重点在于计算效用函数的近端点,以及通过条件风险值的对偶表示进行风险量化。
2013-04-29 cs.NA math.NA math.OC
A primal-dual dynamical approach to structured convex minimization problems
在本文中,我们提出了一个原始-对偶动力学的方法来最小化的结构凸函数组成的光滑项,非光滑项,和另一个非光滑项的组合与线性连续算子。在这个范围内,我们引入了一个动力系统,我们证明了它的轨迹渐近收敛到一个鞍点的拉格朗日的基本凸极小化问题的时间趋于无穷大。此外,我们提供率的违反可行性条件的遍历轨迹和收敛的目标函数沿这些遍历轨迹的极小值。显式时间离散的动力系统的结果在一个数值算法,这是一个组合的线性化的邻近方法的乘数和邻近ADMM算法。
2020-07-31 cs.NA math.DS math.NA
On Convergent Finite Difference Schemes for Variational - PDE Based Image Processing
University of Missouri-Columbia(密苏里大学哥伦比亚分校);University of Beira Interior(贝拉内大学)
本文提出一种自适应各向异性Huber函数图像修复方案,结合L2-L1正则化函数,通过Split Bregman方法实现图像去噪与边缘保持,实验表明该算法具有最佳收敛性。
2013-09-16 cs.CV cs.NA math.NA
Projection Algorithms for Non-Convex Minimization with Application to Sparse Principal Component Analysis
University of Florida(佛罗里达大学);Max Planck Institute for Intelligent Systems(马克斯·普朗克智能系统研究所)
本文研究了非凸集上的凹最小化问题,提出并分析了梯度投影算法和近似牛顿算法,展示了其在稀疏主成分分析中的应用效果。
2019-04-06 cs.NA math.NA math.OC
An optimal gradient method for smooth strongly convex minimization
对光滑强凸优化提出了一种最优梯度法。该方法是最佳的意义上说,它的最坏情况下的最佳点的距离上的界限完全匹配的下界的预言复杂性的类问题,这意味着没有黑盒一阶方法可以有一个更好的最坏情况下的保证,没有进一步假设的类问题在手。此外,我们提供了一个建设性的配方获得的算法参数的方法,并说明它可以用于推导方法的其他最优性标准以及。
2022-06-14 cs.NA math.NA math.OC
Open Problem: Polynomial linearly-convergent method for geodesically convex optimization?
本文提出一般 Riemannian 流形上测地凸优化是否存在多项式线性收敛一阶方法的开放问题,并在常曲率情形给出类椭球算法。
2023-07-24 cs.CC cs.NA math.DG
A Linearly-Convergent Stochastic L-BFGS Algorithm
University of California, Berkeley(加州大学伯克利分校)
本文提出一种新的随机L-BFGS算法,证明了其在强凸和光滑函数上的线性收敛性,并展示了其在大规模凸优化问题中的高效性能。
2016-04-13 cs.LG cs.NA math.NA