劉陶文++周蓉
摘要: 結(jié)合子空間思想和LiuStorey (LS)共軛梯度法,提出了求解大規(guī)模非負(fù)約束優(yōu)化問題的可行共軛梯度算法,并分析了算法在Armijo型線性搜索下的全局收斂性. 數(shù)值實(shí)例表明該算法是有效的.
關(guān)鍵詞:非負(fù)約束優(yōu)化; 子空間; 共軛梯度法; 全局收斂性
中圖分類號(hào):O221.2 文獻(xiàn)標(biāo)識(shí)碼:A
非負(fù)約束優(yōu)化問題廣泛存在于許多學(xué)科及工程應(yīng)用領(lǐng)域中, 如: 非線性回歸分析、金融投資、大地測(cè)量、衛(wèi)星導(dǎo)航等, 并且有關(guān)的數(shù)據(jù)處理是非常龐大的, 呈現(xiàn)的問題通常是大規(guī)模的. 因此, 研究求解這些問題的高效算法具有重要的現(xiàn)實(shí)意義. 非負(fù)約束優(yōu)化問題的一般形式
這里l和u是Rn中的有界向量.許多研究集中于求解大規(guī)模有界約束問題(3), 人們提出了如譜梯度投影法、有限記憶擬牛頓法和共軛梯度法等有效算法\[1, 4, 6\].盡管問題(1)可以看作問題(3)的特殊情形, 但不知這些方法能否經(jīng)過適當(dāng)?shù)男薷谋挥脕砬蠼夥秦?fù)約束問題.
眾所周知,共軛梯度法及其修正形式是求解大規(guī)模無約束問題min f(x), x∈Rn的有效方法\[2, 7-8\].因此, 人們?cè)O(shè)想用共軛梯度法的思想求解約束問題. 文獻(xiàn)\[6\]研究了用共軛梯度的思想求解有界約束問題(3), 通過求解一個(gè)約束子問題來計(jì)算搜索方向, 作者證明了在 Wolfe型線性搜索下所提出的方法是收斂的.然而已有研究表明在該研究上存在許多的困難[5].
在本文中,我們研究用共軛梯度型方法求解非負(fù)約束問題 (1). 結(jié)合已有求解有界約束問題的子空間思想[4]和求解無約束問題的LiuStorey (LS)共軛梯度法[3],提出了一個(gè)求解問題(1)的可行LS共軛梯度法, 與文獻(xiàn)\[6\]的方法比較, 本文提出的方法的優(yōu)點(diǎn)是無需求解子問題, 并且在Armijo搜索下具有全局收斂性, 節(jié)省大量計(jì)算.
湖南大學(xué)學(xué)報(bào)(自然科學(xué)版)2014年
第7期劉陶文等:求解非負(fù)約束優(yōu)化問題的可行LS共軛梯度法
證由KKT條件(2)以及(10)即可驗(yàn)證定理結(jié)論成立.
證畢
引理1和定理1表明, 當(dāng)dk=0時(shí), xk必定是問題 (1)的一個(gè)KKT點(diǎn), 而當(dāng)dk≠0 時(shí),必有g(shù)Tkdk<0, 即dk≠0是f(x)在xk處的一個(gè)下降可行方向.
2算法結(jié)構(gòu)及其收斂性分析
3數(shù)值實(shí)驗(yàn)
在這一節(jié),將所提出的算法應(yīng)用于大地測(cè)量中數(shù)據(jù)處理問題[9]. 對(duì)一理想邊坡因地質(zhì)斷層構(gòu)成一可能的滑體, 按地質(zhì)學(xué)知識(shí), 滑體只能沿底盤向東北方向偏下移動(dòng). 選定三個(gè)基點(diǎn), 其坐標(biāo)分別為A(500.00, 0, 100.00), B(0.00, -500.00, 150.00), C(500.00, 500.00, 200.00). 在滑體上, 取監(jiān)測(cè)點(diǎn)P (0, 0, 100.00), 分別在基點(diǎn)A,B,C處用邊前方交會(huì)監(jiān)測(cè)P點(diǎn)的位移(x,y,-z), AP,BP和CP為3個(gè)觀測(cè)邊, 且有先驗(yàn)信息x,y,z>0. 設(shè)觀測(cè)向量為L∈R3, 則有相應(yīng)的誤差方程:
L+V=(|AP|, |BP|, |CP|)T,
其中V為觀察噪聲向量. 設(shè)A,B,C 3個(gè)邊觀測(cè)的一次觀測(cè)值分別為500.04, 502.52, 714.13. 試估計(jì)P點(diǎn)的位移(x, y, -z).
當(dāng)P點(diǎn)有位移(x, y, -z)時(shí), 觀測(cè)向量L的誤差方程為:
L+V=|AP||BP||CP|=
現(xiàn)在用可行LS共軛梯度法來求解問題(16). 在算法1中, 取初始點(diǎn)(x0, y0, z0)=(1, 1, 1)以及常數(shù)ρ=0.5, σ=0.001, ε=0.01. 算法1在7次迭代后求得P點(diǎn)位移估計(jì)(,,)=(0.022 0,0,-0.053 1), 顯然這一估計(jì)比文獻(xiàn)\[9\]中的線性最小二乘估計(jì)(0.024 6,0,-0.064 0)更接近于實(shí)際的位移(0.004,0.02,-0.005), 而且可以依據(jù)需要增加迭代次數(shù)提高精度.
參考文獻(xiàn)
[1]BIRGIN E G, MARTINEZ J M, RAYDAN M. Nonmonotone spectral projection gradient methods on convex sets \[J\]. SIAM Journal on Optimization, 2000, 10(1): 1196-1211.
\[2\]DAI Y, YUAN Y. Nonlinear conjugate gradient methods \[M\]. Shanghai: Shanghai Science and Technology Publisher, 2000.
\[3\]LIU Y, STOREY C. Efficient generated conjugate gradient algorithms Part 1: Theory \[J\]. Journal of Optimization Theory and Applications, 1991, 69(1): 129-137.
\[4\]NI Q, YUAN Y. A subspace limited memory quasiNewton algorithm for largescale nonlinear bound constrained optimization \[J\]. Mathematics of Computation, 1997, 66(220): 1509-1520.
\[5\]NOCEDAL J. Conjugate gradient methods and nonlinear optimization, In: Linear and nonlinear conjugate gradientRelated method \[M\]. Philadelphia, SIAM Press, 1996, 9-23.
\[6\]PYTLAK R. An efficient algorithmfor largescale nonlinear programming problems with simple bounds on the variables \[J\]. SIAM Journal on Optimization, 1998, 8(2): 532-560.
\[7\]ZHANG L, ZHOU W J, LI D H. A descent modified PolakRebièrePolyak conjugate gradient method and its global convergence \[J\]. IMA Journal of Numerical Analysis, 2006, 26(4): 629-640.
\[8\]ZHANG L, JIAN S Y. Further studies on the WeiYaoLiu nonlinear conjugate gradient method \[J\]. Applied Mathematics and Computation, 2013, 219 (14): 7616-7621.
\[9\]宋迎春, 朱建軍, 羅德仁,等. 附非負(fù)約束平差模型的最小二乘估計(jì) \[J\]. 武漢大學(xué)學(xué)報(bào): 信息科學(xué)版, 2008, 33(9): 907-909.
SONG Yingcun, ZHU Jianjun, LUO Deren,et al. Leastsquares estimation of nonnegative constrained adjustment model \[J\]. Geomatics and Information Science of Wuhan University:Information and Science, 2008, 33(9): 907-909 .(In Chinese)
摘要: 結(jié)合子空間思想和LiuStorey (LS)共軛梯度法,提出了求解大規(guī)模非負(fù)約束優(yōu)化問題的可行共軛梯度算法,并分析了算法在Armijo型線性搜索下的全局收斂性. 數(shù)值實(shí)例表明該算法是有效的.
關(guān)鍵詞:非負(fù)約束優(yōu)化; 子空間; 共軛梯度法; 全局收斂性
中圖分類號(hào):O221.2 文獻(xiàn)標(biāo)識(shí)碼:A
非負(fù)約束優(yōu)化問題廣泛存在于許多學(xué)科及工程應(yīng)用領(lǐng)域中, 如: 非線性回歸分析、金融投資、大地測(cè)量、衛(wèi)星導(dǎo)航等, 并且有關(guān)的數(shù)據(jù)處理是非常龐大的, 呈現(xiàn)的問題通常是大規(guī)模的. 因此, 研究求解這些問題的高效算法具有重要的現(xiàn)實(shí)意義. 非負(fù)約束優(yōu)化問題的一般形式
這里l和u是Rn中的有界向量.許多研究集中于求解大規(guī)模有界約束問題(3), 人們提出了如譜梯度投影法、有限記憶擬牛頓法和共軛梯度法等有效算法\[1, 4, 6\].盡管問題(1)可以看作問題(3)的特殊情形, 但不知這些方法能否經(jīng)過適當(dāng)?shù)男薷谋挥脕砬蠼夥秦?fù)約束問題.
眾所周知,共軛梯度法及其修正形式是求解大規(guī)模無約束問題min f(x), x∈Rn的有效方法\[2, 7-8\].因此, 人們?cè)O(shè)想用共軛梯度法的思想求解約束問題. 文獻(xiàn)\[6\]研究了用共軛梯度的思想求解有界約束問題(3), 通過求解一個(gè)約束子問題來計(jì)算搜索方向, 作者證明了在 Wolfe型線性搜索下所提出的方法是收斂的.然而已有研究表明在該研究上存在許多的困難[5].
在本文中,我們研究用共軛梯度型方法求解非負(fù)約束問題 (1). 結(jié)合已有求解有界約束問題的子空間思想[4]和求解無約束問題的LiuStorey (LS)共軛梯度法[3],提出了一個(gè)求解問題(1)的可行LS共軛梯度法, 與文獻(xiàn)\[6\]的方法比較, 本文提出的方法的優(yōu)點(diǎn)是無需求解子問題, 并且在Armijo搜索下具有全局收斂性, 節(jié)省大量計(jì)算.
湖南大學(xué)學(xué)報(bào)(自然科學(xué)版)2014年
第7期劉陶文等:求解非負(fù)約束優(yōu)化問題的可行LS共軛梯度法
證由KKT條件(2)以及(10)即可驗(yàn)證定理結(jié)論成立.
證畢
引理1和定理1表明, 當(dāng)dk=0時(shí), xk必定是問題 (1)的一個(gè)KKT點(diǎn), 而當(dāng)dk≠0 時(shí),必有g(shù)Tkdk<0, 即dk≠0是f(x)在xk處的一個(gè)下降可行方向.
2算法結(jié)構(gòu)及其收斂性分析
3數(shù)值實(shí)驗(yàn)
在這一節(jié),將所提出的算法應(yīng)用于大地測(cè)量中數(shù)據(jù)處理問題[9]. 對(duì)一理想邊坡因地質(zhì)斷層構(gòu)成一可能的滑體, 按地質(zhì)學(xué)知識(shí), 滑體只能沿底盤向東北方向偏下移動(dòng). 選定三個(gè)基點(diǎn), 其坐標(biāo)分別為A(500.00, 0, 100.00), B(0.00, -500.00, 150.00), C(500.00, 500.00, 200.00). 在滑體上, 取監(jiān)測(cè)點(diǎn)P (0, 0, 100.00), 分別在基點(diǎn)A,B,C處用邊前方交會(huì)監(jiān)測(cè)P點(diǎn)的位移(x,y,-z), AP,BP和CP為3個(gè)觀測(cè)邊, 且有先驗(yàn)信息x,y,z>0. 設(shè)觀測(cè)向量為L∈R3, 則有相應(yīng)的誤差方程:
L+V=(|AP|, |BP|, |CP|)T,
其中V為觀察噪聲向量. 設(shè)A,B,C 3個(gè)邊觀測(cè)的一次觀測(cè)值分別為500.04, 502.52, 714.13. 試估計(jì)P點(diǎn)的位移(x, y, -z).
當(dāng)P點(diǎn)有位移(x, y, -z)時(shí), 觀測(cè)向量L的誤差方程為:
L+V=|AP||BP||CP|=
現(xiàn)在用可行LS共軛梯度法來求解問題(16). 在算法1中, 取初始點(diǎn)(x0, y0, z0)=(1, 1, 1)以及常數(shù)ρ=0.5, σ=0.001, ε=0.01. 算法1在7次迭代后求得P點(diǎn)位移估計(jì)(,,)=(0.022 0,0,-0.053 1), 顯然這一估計(jì)比文獻(xiàn)\[9\]中的線性最小二乘估計(jì)(0.024 6,0,-0.064 0)更接近于實(shí)際的位移(0.004,0.02,-0.005), 而且可以依據(jù)需要增加迭代次數(shù)提高精度.
參考文獻(xiàn)
[1]BIRGIN E G, MARTINEZ J M, RAYDAN M. Nonmonotone spectral projection gradient methods on convex sets \[J\]. SIAM Journal on Optimization, 2000, 10(1): 1196-1211.
\[2\]DAI Y, YUAN Y. Nonlinear conjugate gradient methods \[M\]. Shanghai: Shanghai Science and Technology Publisher, 2000.
\[3\]LIU Y, STOREY C. Efficient generated conjugate gradient algorithms Part 1: Theory \[J\]. Journal of Optimization Theory and Applications, 1991, 69(1): 129-137.
\[4\]NI Q, YUAN Y. A subspace limited memory quasiNewton algorithm for largescale nonlinear bound constrained optimization \[J\]. Mathematics of Computation, 1997, 66(220): 1509-1520.
\[5\]NOCEDAL J. Conjugate gradient methods and nonlinear optimization, In: Linear and nonlinear conjugate gradientRelated method \[M\]. Philadelphia, SIAM Press, 1996, 9-23.
\[6\]PYTLAK R. An efficient algorithmfor largescale nonlinear programming problems with simple bounds on the variables \[J\]. SIAM Journal on Optimization, 1998, 8(2): 532-560.
\[7\]ZHANG L, ZHOU W J, LI D H. A descent modified PolakRebièrePolyak conjugate gradient method and its global convergence \[J\]. IMA Journal of Numerical Analysis, 2006, 26(4): 629-640.
\[8\]ZHANG L, JIAN S Y. Further studies on the WeiYaoLiu nonlinear conjugate gradient method \[J\]. Applied Mathematics and Computation, 2013, 219 (14): 7616-7621.
\[9\]宋迎春, 朱建軍, 羅德仁,等. 附非負(fù)約束平差模型的最小二乘估計(jì) \[J\]. 武漢大學(xué)學(xué)報(bào): 信息科學(xué)版, 2008, 33(9): 907-909.
SONG Yingcun, ZHU Jianjun, LUO Deren,et al. Leastsquares estimation of nonnegative constrained adjustment model \[J\]. Geomatics and Information Science of Wuhan University:Information and Science, 2008, 33(9): 907-909 .(In Chinese)
摘要: 結(jié)合子空間思想和LiuStorey (LS)共軛梯度法,提出了求解大規(guī)模非負(fù)約束優(yōu)化問題的可行共軛梯度算法,并分析了算法在Armijo型線性搜索下的全局收斂性. 數(shù)值實(shí)例表明該算法是有效的.
關(guān)鍵詞:非負(fù)約束優(yōu)化; 子空間; 共軛梯度法; 全局收斂性
中圖分類號(hào):O221.2 文獻(xiàn)標(biāo)識(shí)碼:A
非負(fù)約束優(yōu)化問題廣泛存在于許多學(xué)科及工程應(yīng)用領(lǐng)域中, 如: 非線性回歸分析、金融投資、大地測(cè)量、衛(wèi)星導(dǎo)航等, 并且有關(guān)的數(shù)據(jù)處理是非常龐大的, 呈現(xiàn)的問題通常是大規(guī)模的. 因此, 研究求解這些問題的高效算法具有重要的現(xiàn)實(shí)意義. 非負(fù)約束優(yōu)化問題的一般形式
這里l和u是Rn中的有界向量.許多研究集中于求解大規(guī)模有界約束問題(3), 人們提出了如譜梯度投影法、有限記憶擬牛頓法和共軛梯度法等有效算法\[1, 4, 6\].盡管問題(1)可以看作問題(3)的特殊情形, 但不知這些方法能否經(jīng)過適當(dāng)?shù)男薷谋挥脕砬蠼夥秦?fù)約束問題.
眾所周知,共軛梯度法及其修正形式是求解大規(guī)模無約束問題min f(x), x∈Rn的有效方法\[2, 7-8\].因此, 人們?cè)O(shè)想用共軛梯度法的思想求解約束問題. 文獻(xiàn)\[6\]研究了用共軛梯度的思想求解有界約束問題(3), 通過求解一個(gè)約束子問題來計(jì)算搜索方向, 作者證明了在 Wolfe型線性搜索下所提出的方法是收斂的.然而已有研究表明在該研究上存在許多的困難[5].
在本文中,我們研究用共軛梯度型方法求解非負(fù)約束問題 (1). 結(jié)合已有求解有界約束問題的子空間思想[4]和求解無約束問題的LiuStorey (LS)共軛梯度法[3],提出了一個(gè)求解問題(1)的可行LS共軛梯度法, 與文獻(xiàn)\[6\]的方法比較, 本文提出的方法的優(yōu)點(diǎn)是無需求解子問題, 并且在Armijo搜索下具有全局收斂性, 節(jié)省大量計(jì)算.
湖南大學(xué)學(xué)報(bào)(自然科學(xué)版)2014年
第7期劉陶文等:求解非負(fù)約束優(yōu)化問題的可行LS共軛梯度法
證由KKT條件(2)以及(10)即可驗(yàn)證定理結(jié)論成立.
證畢
引理1和定理1表明, 當(dāng)dk=0時(shí), xk必定是問題 (1)的一個(gè)KKT點(diǎn), 而當(dāng)dk≠0 時(shí),必有g(shù)Tkdk<0, 即dk≠0是f(x)在xk處的一個(gè)下降可行方向.
2算法結(jié)構(gòu)及其收斂性分析
3數(shù)值實(shí)驗(yàn)
在這一節(jié),將所提出的算法應(yīng)用于大地測(cè)量中數(shù)據(jù)處理問題[9]. 對(duì)一理想邊坡因地質(zhì)斷層構(gòu)成一可能的滑體, 按地質(zhì)學(xué)知識(shí), 滑體只能沿底盤向東北方向偏下移動(dòng). 選定三個(gè)基點(diǎn), 其坐標(biāo)分別為A(500.00, 0, 100.00), B(0.00, -500.00, 150.00), C(500.00, 500.00, 200.00). 在滑體上, 取監(jiān)測(cè)點(diǎn)P (0, 0, 100.00), 分別在基點(diǎn)A,B,C處用邊前方交會(huì)監(jiān)測(cè)P點(diǎn)的位移(x,y,-z), AP,BP和CP為3個(gè)觀測(cè)邊, 且有先驗(yàn)信息x,y,z>0. 設(shè)觀測(cè)向量為L∈R3, 則有相應(yīng)的誤差方程:
L+V=(|AP|, |BP|, |CP|)T,
其中V為觀察噪聲向量. 設(shè)A,B,C 3個(gè)邊觀測(cè)的一次觀測(cè)值分別為500.04, 502.52, 714.13. 試估計(jì)P點(diǎn)的位移(x, y, -z).
當(dāng)P點(diǎn)有位移(x, y, -z)時(shí), 觀測(cè)向量L的誤差方程為:
L+V=|AP||BP||CP|=
現(xiàn)在用可行LS共軛梯度法來求解問題(16). 在算法1中, 取初始點(diǎn)(x0, y0, z0)=(1, 1, 1)以及常數(shù)ρ=0.5, σ=0.001, ε=0.01. 算法1在7次迭代后求得P點(diǎn)位移估計(jì)(,,)=(0.022 0,0,-0.053 1), 顯然這一估計(jì)比文獻(xiàn)\[9\]中的線性最小二乘估計(jì)(0.024 6,0,-0.064 0)更接近于實(shí)際的位移(0.004,0.02,-0.005), 而且可以依據(jù)需要增加迭代次數(shù)提高精度.
參考文獻(xiàn)
[1]BIRGIN E G, MARTINEZ J M, RAYDAN M. Nonmonotone spectral projection gradient methods on convex sets \[J\]. SIAM Journal on Optimization, 2000, 10(1): 1196-1211.
\[2\]DAI Y, YUAN Y. Nonlinear conjugate gradient methods \[M\]. Shanghai: Shanghai Science and Technology Publisher, 2000.
\[3\]LIU Y, STOREY C. Efficient generated conjugate gradient algorithms Part 1: Theory \[J\]. Journal of Optimization Theory and Applications, 1991, 69(1): 129-137.
\[4\]NI Q, YUAN Y. A subspace limited memory quasiNewton algorithm for largescale nonlinear bound constrained optimization \[J\]. Mathematics of Computation, 1997, 66(220): 1509-1520.
\[5\]NOCEDAL J. Conjugate gradient methods and nonlinear optimization, In: Linear and nonlinear conjugate gradientRelated method \[M\]. Philadelphia, SIAM Press, 1996, 9-23.
\[6\]PYTLAK R. An efficient algorithmfor largescale nonlinear programming problems with simple bounds on the variables \[J\]. SIAM Journal on Optimization, 1998, 8(2): 532-560.
\[7\]ZHANG L, ZHOU W J, LI D H. A descent modified PolakRebièrePolyak conjugate gradient method and its global convergence \[J\]. IMA Journal of Numerical Analysis, 2006, 26(4): 629-640.
\[8\]ZHANG L, JIAN S Y. Further studies on the WeiYaoLiu nonlinear conjugate gradient method \[J\]. Applied Mathematics and Computation, 2013, 219 (14): 7616-7621.
\[9\]宋迎春, 朱建軍, 羅德仁,等. 附非負(fù)約束平差模型的最小二乘估計(jì) \[J\]. 武漢大學(xué)學(xué)報(bào): 信息科學(xué)版, 2008, 33(9): 907-909.
SONG Yingcun, ZHU Jianjun, LUO Deren,et al. Leastsquares estimation of nonnegative constrained adjustment model \[J\]. Geomatics and Information Science of Wuhan University:Information and Science, 2008, 33(9): 907-909 .(In Chinese)