[论文解读] Physarum Dynamics and Optimal Transport for Basis Pursuit

Enrico Facca, Franco Cardin+1 more|arXiv (Cornell University)|Dec 31, 2018

Slime Mold and Myxomycetes Research参考文献 17被引用 7

一句话总结

本文建立了Physarum动力学与动态Monge-Kantorovich（DMK）最优传输在求解基础追踪（BP）问题中的等价性。通过李雅普诺夫泛函证明了全局存在性、唯一性及收敛性，并提出了一种高效的隐式时间推进与牛顿-拉夫森方法，该方法在大规模基准问题上实现了高精度与鲁棒性，最大CPU时间低于3,000秒。

ABSTRACT

We study the connections between Physarum Dynamics and Dynamic Monge Kantorovich (DMK) Optimal Transport algorithms for the solution of Basis Pursuit problems. We show the equivalence between these two models and unveil their dynamic character by showing existence and uniqueness of the solution for all times and constructing a Lyapunov functional with negative Lie-derivative that drives the large-time convergence. We propose a discretization of the equation by means of a combination of implicit time-stepping and Newton method yielding an efficient and robust method for the solution of general basis pursuit problems. Several numerical experiments run on literature benchmark problems are used to show the accuracy, efficiency, and robustness of the proposed method.

研究动机与目标

• 建立Physarum动力学与动态Monge-Kantorovich（DMK）最优传输在基础追踪问题求解中的数学等价性。
• 证明Physarum动力学系统在所有时间t ≥ 0下的全局解的存在性与唯一性。
• 通过具有负李导数的李雅普诺夫泛函，证明系统在长时间下的收敛性。
• 开发并验证一种基于隐式时间推进与牛顿-拉夫森方法的计算高效数值算法，适用于一般BP问题。

提出的方法

• 将Physarum动力学系统表述为依赖时间的常微分方程系统，包含通量v(t)、势能u(t)与边权µ(t)，受方程(1a)-(1d)控制。
• 利用李雅普诺夫泛函L(µ) = E(µ) + M(µ)证明所有t ≥ 0下解的存在性与唯一性，其导数满足dL/dt ≤ 0。
• 将连续DMK模型适配至半离散框架，通过对偶性及梯度/散度算子将之与离散BP问题关联。
• 采用后向欧拉时间推进方法构建时间离散化格式，以确保稳定性和鲁棒性。
• 在每个时间步实施不精确牛顿-Krylov方法，结合基于收敛性检测与矩阵分解重构建的时间步长自适应控制策略。
• 采用时间步长自适应策略：当稳定时增大∆tk，失败时减半，以保障精度与效率。

实验结果

研究问题

• RQ1 Physarum动力学与动态Monge-Kantorovich最优传输在求解基础追踪问题时是否存在根本性等价？
• RQ2 Physarum动力学系统是否对所有时间t ≥ 0具有唯一解，且是否收敛至最优BP解？
• RQ3 能否为Physarum动力学系统构造一个李雅普诺夫泛函，以保证单调递减并确保收敛至最优解？
• RQ4 如何计算上利用Physarum动力学的动态特性，以实现在大规模BP问题求解中的高效率与鲁棒性？

主要发现

• Physarum动力学系统在所有t ≥ 0下具有唯一全局解，且当t → ∞时，解收敛至最优基础追踪解。
• 存在一个李雅普诺夫泛函L(µ)，其李导数为负，确保了单调递减，并证明了解收敛至最优解。
• 李雅普诺夫泛函的极小化点恰好对应于L1-最优传输问题（L1-OTP）的解，从而确立了DMK与BP之间的等价性。
• 所提算法在所有基准问题上均实现了相对误差低于10⁻⁷、对偶可行性误差低于10⁻⁸的收敛性。
• 该算法在不同规模问题上均表现出鲁棒性，最大测试案例（n=250, m=250,000, k=80）的CPU时间低于3,000秒。
• 时间步长自适应策略在接近收敛时导致时间步长间隔增大；当初始时间步长估计过大时，会引发计算低效，需重新进行矩阵分解。