[论文解读] A Potential Reduction Method for Canonical Duality, with an Application to the Sensor Network Localization Problem

Vittorio Latorre|arXiv (Cornell University)|Mar 24, 2014

Advanced Optimization Algorithms Research参考文献 23被引用 5

一句话总结

本文提出了一种原始-对偶内点势能缩减算法，用于求解通过典范对偶理论重构的大规模非凸优化问题。通过利用等价单调变分不等式系统的Karush-Kuhn-Tucker (KKT) 条件，并应用阻尼牛顿法，该方法在较弱假设下实现了全局收敛性，并在高达7,500个节点的传感器网络定位问题中表现出高效且精确的求解性能，即使在噪声条件下亦然。

ABSTRACT

We propose to solve large instances of the non-convex optimization problems reformulated with canonical duality theory. To this aim we propose an interior point potential reduction algorithm based on the solution of the primal-dual total complementarity (Lagrange) function. We establish the global convergence result for the algorithm under mild assumptions and demonstrate the method on instances of the Sensor Network Localization problem. Our numerical results are promising and show the possibility of devising efficient interior points methods for non-convex duality.

研究动机与目标

• 填补现有基于典范对偶理论重构的非凸优化问题缺乏稳健数值方法的空白。
• 为这类问题的大规模实例开发一种全局收敛的内点算法。
• 在传感器网络定位（SNL）问题上展示该方法的效率与鲁棒性，该问题为具有实际意义的挑战性非凸问题。
• 证明可通过问题特异性简化（如以线性约束替代矩阵约束）显著降低计算负担，同时不牺牲解的质量。
• 在较弱假设下提供收敛性证明，弥补以往研究中假设过强或缺乏收敛性保证的不足。

提出的方法

• 利用Karush-Kuhn-Tucker (KKT) 条件将典范对偶问题重构为单调变分不等式（VI）。
• 将VI转化为适合内点法求解的约束方程组。
• 基于阻尼牛顿法应用一种势能缩减算法，采用原始-对偶总互补性（拉格朗日）函数作为增广目标函数。
• 通过验证关于算子、可行集和增广目标函数的六个关键假设来确保收敛性，这些假设在内点理论中为标准条件。
• 通过将可行集从矩阵不等式约束简化为线性约束，将该框架适配至传感器网络定位问题，从而降低计算成本。
• 在原型MATLAB版本中实现该算法，并在含噪声与无噪声的SNL实例上进行测试，问题规模最高达7,500个节点。

实验结果

研究问题

• RQ1 能否为典范对偶问题开发一种内点法，使其在较弱假设下保证全局收敛？
• RQ2 所提方法在大规模非凸优化问题上的表现如何，尤其与现有基准方法相比？
• RQ3 在典范对偶基重构中，可在多大程度上利用问题特异性结构（如用线性约束替代矩阵不等式）来降低计算成本？
• RQ4 当应用于含数千个变量的含噪声传感器网络定位问题时，该算法的鲁棒性如何？
• RQ5 该方法能否高效地找到大规模传感器网络定位问题的全局最优解，而传统局部求解器常因陷入局部极小值而失败？

主要发现

• 所提内点法在较弱假设下实现了全局收敛，为求解典范对偶问题提供了坚实的理论基础。
• 在含5,000个节点和59,399条距离的二维传感器网络定位问题中，该算法在20次迭代后耗时526.6秒，达到2.17×10⁻⁴的均方根偏差（RMDS）。
• 在含7,500个节点的三维问题中，该算法耗时1,797.5秒，达到5.63×10⁻⁴的RMDS，表明其在高维实例中具有良好的可扩展性。
• 即使在噪声条件下（α = 0.001），该算法仍保持高精度，在所有测试实例中RMDS值均低于6×10⁻⁴，解决方案质量优于ESDP基准方法。
• ESDP方法在含噪声情况下过早停止，虽运行时间更短但精度较低；而所提方法在所有问题规模和噪声水平下均保持一致的高精度。
• 该算法在100个测试实例（包括无噪声与含噪声场景）中表现稳定可靠，表明其在原型实现中具备强大的鲁棒性。