吳慶豐

（淮北師范大學 數(shù)學科學學院，安徽 淮北 235000）

不等式約束優(yōu)化問題是約束優(yōu)化問題中一類重要問題，一種經(jīng)典的解法是采用SUMT（sequential un?constrained minimization technique）技術(shù)，即把約束條件轉(zhuǎn)化為某種懲罰函數(shù)加到目標函數(shù)中去，從而將約束優(yōu)化轉(zhuǎn)化為一系列無約束優(yōu)化問題的求解.本文將采用一種新的內(nèi)點算法求解，并與傳統(tǒng)內(nèi)點障礙函數(shù)法進行比較.下面介紹求解凸優(yōu)化問題的IPA（inerior point algorithm）方法.

1 IPA算法

文獻［1］和文獻［2］中分別給出Bregman函數(shù)和Bregman-Legendre函數(shù)的定義如下：

設(shè)S為開凸集，S?Rn,對可微函數(shù)定義Bregman距離Dg(x,y)=g(x)-g(y)-＜?g(y),x-y＞.稱g為區(qū)域S上的Bregman函數(shù)，如果下列條件被滿足：

（B1）g于連續(xù)且嚴格凸；

（B2）g于S連續(xù)可微；

（B3）Dg(x,·)及Dg(·,y)的水平集有界，

作為對Bregman 函數(shù)的擴展，在文獻［2］中Bauschke 等引入了Bregman-Legendre 函數(shù)的概念.設(shè)f:RJ→(-∞,+∞)為適當?shù)拈]凸函數(shù)，其本質(zhì)區(qū)域定義為這里，我們稱凸函數(shù)為適當?shù)?，如果不存在x使得f(x)=-∞，且存在x滿足f(x)＜+∞；稱適當?shù)耐购瘮?shù)f為閉的，如果f是下半連續(xù)的.記Df(·,·):D×intD→[0,+∞)，Df(x,z)=f(x)-f(z)-＜?f(z),x-z＞，這里 intD表示D的內(nèi)部，稱Df(·,·)為Bregman距離.下面給出求解凸優(yōu)化問題的IPA方法.

IPA算法［3］給定x0∈intD，對k=0,1,…,求xk+1滿足，

這里假定每步迭代中求得的xk+1∈intD.

關(guān)于該算法的收斂性，Byrne給出了如下定理.

定理1［3］設(shè)存在.如是被唯一確定的，則由如上IPA算法產(chǎn)生的點列{k} 收斂于；如不能被唯一確定，但可在D中選取，則序列｛Dh(,k)｝和｛DF(,xk)｝單減.如果進一步，DF水平集有界，則{xk} 有界，且其任一聚點x*∈滿足f(x*)=f(x).如h或F為 Bregman-Legendre 函數(shù)，本質(zhì)區(qū)域為D，則x*∈D，且點列收斂于x*.

注1：這里DF水平集有界，是指對x∈D及 ?a＞0，集合{z|DF(,z)≤a} 有界.

2 求解不等式約束凸優(yōu)化問題的內(nèi)點方法

下面討論如下不等式約束的凸優(yōu)化問題的求解：

這里f(x)是Rn中連續(xù)可微的凸函數(shù)，gi(x),i=1,2,…,m是Rn中連續(xù)可微的凹函數(shù).

對于上述問題，一種傳統(tǒng)的方法是采用對數(shù)障礙函數(shù)法求解，即通過求解一系列無約束凸優(yōu)化問題

來得到（2.1）的解，這里r＞0 是罰參數(shù).

記D={x|gi(x)＞0,i=1,2,…,m}，易知D為開凸集.由于gi(x),i=1,2,…,m是連續(xù)可微的凹函數(shù)，可知為D上連續(xù)可微的凸函數(shù)，又由于f(x)為連續(xù)可微凸函數(shù)，故對r＞0，若問題（2.2）存在極小點，則在該點處滿足

即對數(shù)障礙函數(shù)法的每步迭代中，xk+1滿足

在對數(shù)障礙函數(shù)法的計算中，要求罰參數(shù)r單減并趨于0，所以當r充分小時，即使嚴格凸，也可能出現(xiàn)病態(tài)問題，使得求解難度增大.那么可否避免這一問題呢？

假設(shè)Slater條件成立，即D≠?.由于我們只關(guān)心f(x)在D上的取值，不妨假定f(x)在D外的值均為+∞，則f(x)為適當?shù)拈]凸函數(shù).令F(x)=f(x)+rh(x)，取h(x)使之滿足IPA 所要求的條件，基于IPA 可以得到如下算法：

求xk+1∈D使之滿足 ?F(xk+1)=r?h(xk)或 ?f(xk+1)+r?h(xk+1)=r?h(xk).

令

容易驗證h(x)滿足IPA所要求的條件.于是，基于IPA可以得到如下算法：

算法1取x0∈D及r＞0，對k=0,1,2,…,計算xk+1∈D滿足：

假定每步迭代中滿足條件的xk+1存在.

算法1 需要假定每步迭代中xk+1可以在D中求得，也就是當求得的迭代點xk+1?D時，算法無法實現(xiàn).下面的關(guān)鍵問題是如何求解（2.5）式，并且保證xk+1∈D.

f(x)和h(x)都是x的凸函數(shù)，則F(x)也是x的凸函數(shù).設(shè)F(x)是二次可微實函數(shù)，給定初始xk∈Rn，Hesse矩陣?2F(xk)正定.我們在xk附近用二次Taylor展開，

取xk+1=x*，令 ?F(x*)=0，得xk+1=xk-[?2F(xk)]-1?F(xk)，此即牛頓法迭代公式.由 IPA 算法可知,?F(x*)=r?h(xk)，則

由F(x)=f(x)+rh(x)得

此公式與牛頓法公式相似.我們將xk+dk看作（1.1）的一個近似解，這里

令xk+1=xk+dk，如果xk+1∈D，則可以作為下次迭代的初始點.若xk+1?D，則添加步長αk(0＜αk＜1)，使xk+1=xk+αkdk∈D.顯然，當xk+1=xk+dk∈D時直接作為新的迭代點，實際上是默認步長αk=1.

借鑒阻尼牛頓法，加入線搜索技術(shù)，搜索準則采用Armijo-Goldstein 準則或Wolfe-Powell準則求步長αk，并且使目標函數(shù)值有一定的下降，當xk+1=xk+αkdk∈D時，步長保持不變；當xk+1=xk+αkdk?D時，減小步長αk直到xk+1=xk+αkdk∈D.在計算搜索方向dk時，增廣目標函數(shù)的Hesse矩陣仍然有可能奇異或者病態(tài).這時，考慮搜索方向結(jié)合最速下降法，即當?2F(xk)不正定時，令Hesse矩陣為單位矩陣.這時，下降方向為采用最速下降方向.下面給出如下算法.

算法2：

步一 給定終止誤差 0≤ε?1,r＞ 0,0＜c＜1,0＜η＜1,初始點x0∈D,k=1.

步二 若‖?f(xk)‖≤ε，則x*=xk，算法終止；否則計算搜索方向，記

步三令xk+1=xk+αkdk，若xk+1∈D,k=k+1，轉(zhuǎn)步二；否則縮小步長，令αk=cαk，直 到xk+1=xk+αkdk∈D，k=k+1，轉(zhuǎn)步二.

下降方向dk結(jié)合最速下降法時可采用原目標函數(shù)負梯度或者增廣目標函數(shù)的負梯度方向，線搜索可以從原目標函數(shù)或者增廣目標函數(shù)考慮.其實計算的最終目的就是要原目標函數(shù)下降，當然又要保證迭代點在可行域內(nèi).顯然，當?shù)c靠近或超出可行域邊界時，增廣目標函數(shù)將趨于無窮大，根據(jù)這一點，可通過適當減少步長控制每一步迭代過程中迭代點仍為內(nèi)點.

上述算法中只需事先給定一個r，不必趨于零，所以避免了傳統(tǒng)內(nèi)點障礙函數(shù)法由于rk→0,(k→∞)時，增廣目標函數(shù)病態(tài)問題的出現(xiàn).線搜索可以從原目標函數(shù)或者增廣目標函數(shù)考慮.從數(shù)值實驗中計算效果來看，線搜索直接考慮使原目標函數(shù)有充分的下降量計算時間更短.其實計算的最終目的就是要原目標函數(shù)下降，當然又要保證迭代點在可行域內(nèi).這里的內(nèi)點算法給出了一種新的搜索方向，計算過程中不需要改變r，加入步長控制技術(shù)，使迭代點在可行域內(nèi)部.

3 數(shù)值實驗

這里給出一個不等式約束的凸優(yōu)化的例子，采用算法2進行計算.本例的整體極小點容易看出，這樣是為了方便與用算法2所計算的結(jié)果進行比較.

求解下面優(yōu)化問題.

容易看出此問題的整體極小點為x*=(1,0)T.取初始點x0=(2,1)T，這里采用算法2，利用Matlab編程求解，求解結(jié)果如表1所示.

表1 算法2求解的數(shù)值結(jié)果

r的取值不必很小，從數(shù)值實驗結(jié)果看，計算效果還不錯.實際上，r如果取得太小，計算中就會導致病態(tài)問題的出現(xiàn)，這一點正是傳統(tǒng)內(nèi)點障礙函數(shù)法的一個主要缺點.從數(shù)值實驗中計算效果來看，線搜索直接考慮使原目標函數(shù)有充分的下降量計算時間更短.

4 結(jié)論

本文提出的內(nèi)點算法，給出了一種非精確求解IPA的方法，從而便于將算法在計算機上實現(xiàn)，并且還解決了IPA對迭代點在可行域內(nèi)部的假定.算法中只需事先給定一個r，不必趨于零，所以避免了傳統(tǒng)內(nèi)點障礙函數(shù)法由于rk→0,(k→∞)時，增廣目標函數(shù)病態(tài)問題的出現(xiàn).這里的內(nèi)點算法給出了一種新的搜索方向，計算過程中不需要改變r，加入步長控制技術(shù)，使迭代點在可行域內(nèi)部.關(guān)于算法的收斂性證明將是另一重要內(nèi)容.

［1］BREGMAN L M.The relaxation method of finding the common point of convex sets and its application to the solution of problems in convex programming［J］.USSR Computational Mathematics and Mathematical Physics，1967，7（3）：200-217.

［2］BAUSCHKE H H，BORWEIN J M.Legendre functions and the method of random Bregman projections［J］.Journal of Con?vex Analysis，1997，4（1）：27-67.

［3］BYRNE C.Block-iterative interior point optimization methods for image reconstruction from limited data［J］.Inverse Prob?lems，2000，16（5）：1405-1419.