基于不完全ADMM与信任域方法的分布式无导数优化
最优化与控制
2025-11-03 v1
摘要
为降低高维黑箱场景中的复杂度并实现可扩展性能，我们提出一种针对可分目标函数、受线性等式约束的非凸连续变量无导数优化的分布式方法。该方法基于交替方向乘子法（ADMM）构建分布式优化框架。为处理标准ADMM公式之外的一般性可能复杂线性等式约束，本文采用两层ADMM结构：内层执行顺序ADMM更新，外层通过乘子方法驱动引入的松弛变量逼近零。此外，每个子问题均使用无导数信任域求解器求解，确保在递减的、理论上可控的误差容限内保持亚最优性。这种不完全性对于计算效率和黑箱场景下的实际适用性至关重要，其中精确求解不切实际或过于昂贵。我们建立了该方法收敛于近似解的理论保证，并在具有挑战性的高维基准问题上Demonstrated improved computational效率，以及在分布式学习问题上的有效性能。
引用
@article{arxiv.2510.27396,
title = {Distributed Derivative-Free Optimization Using Inexact ADMM and Trust-Region Methods},
author = {Damilola Fasiku and Wentao Tang},
journal= {arXiv preprint arXiv:2510.27396},
year = {2025}
}
备注
32 pages, 4 figures, 2 tables