[论文解读] Generalized relaxation of string averaging operators based on strictly relaxed cutter operators

Touraj Nikazad, Mahdi Mirzapour|arXiv (Cornell University)|Jun 20, 2017

Optimization and Variational Analysis参考文献 41被引用 3

一句话总结

本文提出了一种基于希尔伯特空间中严格松弛切割算子的字符串平均算子广义松弛方案，相较于先前工作，实现了更快的收敛速度和更广范围的松弛参数选择（α ∈ (0,2)）。该方法在结合多条字符串与最优参数调优时，显著提升了误差减少效果与计算效率，数值实验验证了其在子梯度投影方法求解凸可行性问题中的有效性。

ABSTRACT

Analysis of a generalized relaxation of string averaging operators

研究动机与目标

• 提出基于希尔伯特空间中严格松弛切割算子的字符串平均算子广义松弛框架。
• 将收敛性分析从严格拟非扩张算子扩展至更广泛的算子类，如松弛投影和子梯度投影。
• 提升凸可行性问题固定点迭代中的误差减少效果与计算效率。
• 展示使用 (0,2) 范围内的松弛参数而非 (0,1) 所带来的优势，实现更快的收敛速度。

提出的方法

• 字符串平均算子被构造为有限个算子的凸组合，每个算子本身是严格松弛切割算子的复合。
• 采用步长参数 α ∈ (0,2) 对字符串平均算子应用广义松弛，从而提升收敛速度。
• 引入并分析了广义松弛的投影版本，用于闭凸集的可行性问题。
• 收敛性分析依赖于单个算子 T_i - Id 的半闭性性质，扩展了以往要求整个字符串算子或其分量具有半闭性的结果。
• 将该方法应用于求解非线性凸可行性问题的子梯度投影方法。
• 数值实验采用循环子梯度投影方案，结合自适应步长与松弛参数，以评估性能表现。

实验结果

研究问题

• RQ1 基于严格松弛切割算子的字符串平均算子广义松弛方法是否能实现比现有方法更快的收敛速度？
• RQ2 将松弛参数范围从 (0,1) 扩展至 (0,2) 对误差减少与收敛速度有何影响？
• RQ3 与严格拟非扩张算子相比，使用严格松弛切割算子如何改善收敛性能？
• RQ4 将广义松弛与多条字符串结合是否能显著减少凸可行性问题中的迭代次数？
• RQ5 所提方法是否能在允许更广泛算子类（如松弛子梯度投影和单调算子的预解式）的同时保持收敛性？

主要发现

• 与 (0,1) 范围相比，使用 α ∈ (0,2) 的松弛参数可实现更快的误差减少与收敛速度，数值实验已验证此结论。
• 在二次测试案例中，最佳性能出现在 α = 1.5 且 λ = 1.5 时，相比 α = 1，迭代次数与计算时间均显著降低。
• 在 E=1 的 10 个二次示例中，广义松弛技术将平均迭代次数从无广义松弛时的 85 次降至 28 次（E=10 时）。
• 当使用 E=20 条字符串与广义松弛时，平均迭代次数降至 28 次，而无广义松弛时为 868 次，迭代次数大幅减少。
• 投影型广义松弛方案显著优于标准方案，尤其在结合多条字符串与最优 α 选择时表现突出。
• 数值结果证实，广义松弛中 α ≠ 1 的情况可优于标准的 α = 1 情况，验证了参数范围扩展的理论优势。