用于带二次惩罚项函数极小化的改进增广拉格朗日法
数值分析
2018-04-24 v1
摘要
增广拉格朗日法（ALM）是一种用于求解等式约束非线性规划问题的迭代方法。与二次惩罚法相比，ALM 能够精确地满足等式约束。此外，据称 ALM 收敛所需迭代更少，表明其在方法上优于二次惩罚法。ALM 能够精确求解等式约束被视为一项优势，意味着惩罚参数无需趋于无穷即可使约束达到准确可行性。然而，我们有时确实希望极小化带有大型二次惩罚项的无约束问题。在此情形下，尚不清楚应如何正确使用 ALM。本文给出了答案：我们推导了 ALM 的一个改进版本，该版本同样适用于求解带大型二次惩罚项的函数。
引用
@article{arxiv.1804.08072,
title = {Modified Augmented Lagrangian Method for the minimization of functions with quadratic penalty terms},
author = {Martin Neuenhofen},
journal= {arXiv preprint arXiv:1804.08072},
year = {2018}
}
备注
13 pages