金青龙, 高前明
( 南京财经大学 应用数学学院, 南京 210023 )
近年来随着对优化问题的深入研究,一些学者研究了如下具有多块变量的线性可分凸优化模型:
(1)
其中,θi:Rni→R(i=1,…,m)是闭的凸函数(不一定光滑);A∈Rl ×ni、b∈Rl和Xi⊂Rni是给定的闭凸集.假设模型(1)的解集是非空的,矩阵A∈Rl ×ni列满秩,则模型(1)的拉格朗日函数为
(2)
增广拉格朗日函数为
(3)

(4)
研究表明,利用多块ADMM算法虽然可以将一个高维问题分解成多个低维的子问题以解决一些优化问题[1-3],但在有些问题上多块ADMM算法并不能完全保证其具有收敛性[4-5].目前,提高ADMM算法收敛性的方法主要有以下两种:一是增加模型假设,如假设目标函数为强凸函数,约束矩阵列满秩等;二是对ADMM算法本身做一些修正而无需加强模型的假设条件,如改造子问题、增加矫正步或更换子问题计算顺序等.在实际优化问题中由于难以满足模型的加强假设条件,所以一般利用第2种方法来实现多块ADMM算法的收敛性.2013年, He等[6]提出了一种部分并行的分裂算法,该算法在更新第1块变量后,对拉格朗日乘子进行一次更新,然后再采用第1个变量以及乘子的最新信息并行计算其他变量,以此减少每次迭代的计算时间,从而提高计算速度.2016年, Hou等[7]提出了一种具有更一般形式的部分并行ADMM(PPADMM)算法,该算法在每次迭代中生成的预测点的迭代格式为:
(5)
上述迭代格式的矫正步为:
(6)
式中v=(x2,…,xm,λ), 并满足参数条件r>s(m-1).由上式可知,PPADMM算法存在参数取值范围较小的问题,因此其收敛速度相对较慢……