MPRGP算法中的活跃集扩展策略
数值分析
2020-02-17 v1 数值分析
最优化与控制
摘要
本文研究了MPRGP算法可采用的活跃集扩展策略。标准MPRGP扩展在自由梯度方向上使用固定步长的投影线搜索。此类方案通常过慢以识别活跃集，需要大量扩展次数。我们提出基于当前梯度的自适应步长，其保证无约束代价函数在不同基于梯度的搜索方向上递减。此外，我们还提出通过将无约束最小化的最优步长进行投影来扩展活跃集。数值实验在两种基准上展示了我们扩展步修改的益处——由TFETI求解的线弹性接触问题以及SVM类型的机器学习问题，两者均在PERMON工具箱中实现。
引用
@article{arxiv.2002.06077,
title = {Active set expansion strategies in MPRGP algorithm},
author = {J. Kruzik and D. Horak and M. Cermak and L. Pospisil and M. Pecha},
journal= {arXiv preprint arXiv:2002.06077},
year = {2020}
}