[论文解读] The nonlinear HSS-like iteration method for absolute value equations

Mu-Zheng Zhu, Yae Qi|arXiv (Cornell University)|Mar 27, 2014

Matrix Theory and Algorithms参考文献 19被引用 10

一句话总结

本文提出了一种用于求解绝对值方程（AVEs）的非线性HSS类迭代方法，利用埃尔米特/反对埃尔米特矩阵分裂实现解向量的单层、及时更新。与双层Picard-HSS方法相比，该方法在小对流参数情况下展现出更快的收敛速度和更优的鲁棒性，数值结果表明其在迭代次数和CPU时间方面均显著提升了效率。

ABSTRACT

Salkuyeh proposed the Picard-HSS iteration method to solve the absolute value equation (AVE), which is a class of non-differentiable NP-hard problem. To further improve its performance, a nonlinear HSS-like iteration method is proposed. Compared to that the Picard-HSS method is an inner-outer double-layer iteration scheme, the HSS-like iteration is only a monolayer and the iteration vector could be updated timely. Some numerical experiments are used to demonstrate that the nonlinear HSS-like method is feasible, robust and effective.

研究动机与目标

• 为解决Picard-HSS方法依赖双层内外迭代结构且解向量更新延迟的局限性。
• 开发一种单层迭代方法，实现在迭代过程中对解向量的即时更新，从而改善收敛行为。
• 提升求解绝对值方程（AVEs）的鲁棒性和效率，此类方程为NP难问题，常见于线性互补问题。
• 为现有方法（如Picard-HSS和标准Picard迭代）提供更实用且计算高效的替代方案。
• 通过在不同问题规模和对流参数下进行的全面数值实验，证明非线性HSS类方法的优越性。

提出的方法

• 该方法基于矩阵A的埃尔米特与反对埃尔米特分裂（HSS），将其分解为H = (A + Aᴴ)/2和S = (A - Aᴴ)/2。
• 通过HSS分裂将AVE方程Ax = |x| + b重述为固定点迭代形式，从而导出单层迭代格式。
• 迭代过程通过两个子步骤更新x^(k+1)：(αI + H)x^(k+1/2) = (αI - S)x^k + b 和 (αI + S)x^(k+1) = (αI - H)x^(k+1/2) + b，其中α > 0。
• 在每个完整步骤后立即更新解向量，避免了内层迭代，从而降低了计算开销。
• 当A为正定时，该方法继承HSS的无条件收敛性质，确保在适当条件下具有鲁棒性。
• 最优参数α通过数值实验经验选取，以在收敛速度与稳定性之间取得平衡。

实验结果

研究问题

• RQ1 单层迭代格式是否能在求解绝对值方程方面优于双层Picard-HSS方法？
• RQ2 在单层HSS基方法中，对解向量的及时更新是否能提升收敛速度与鲁棒性？
• RQ3 在不同问题规模下，非线性HSS类方法与Picard和Picard-HSS方法在迭代次数、CPU时间和残差下降方面的表现如何比较？
• RQ4 对流参数q对非线性HSS类方法性能的影响如何，相较于其他求解器？
• RQ5 当问题规模增大或q较小时，非线性HSS类方法是否比Picard-HSS更高效？

主要发现

• 非线性HSS类方法的收敛速度优于Picard-HSS方法：当n=10000且q=1时，总迭代次数由Picard-HSS的210次减少至HSS类方法的36次。
• 当q=1时，HSS类方法的CPU时间为0.4113秒，而Picard-HSS方法为1.9946秒，表明其计算效率显著更高。
• 在小对流参数（q=1, 10, 100）下，该方法在迭代次数和CPU时间方面均优于Picard-HSS方法，尤其在问题规模增大时优势更明显。
• 所有测试案例中，HSS类方法的残差范数均保持在10以下，表明其收敛行为稳定。
• Picard方法仅在特定情况下收敛（如q=1000），而HSS类方法与Picard-HSS方法在所有测试配置下均收敛。
• 当q=1000时，Picard方法最快（0.0205秒），但HSS类方法仍表现出色，仅需37次迭代和0.4204秒CPU时间，凸显其在各类参数范围下的鲁棒性。