用于非光滑非凸优化的罚对偶分解方法
信息论
2017-12-14 v1 math.IT
摘要
许多当代信号处理、机器学习和无线通信应用可被表述为非凸非光滑优化问题。这些问题往往缺乏高效算法，尤其是当优化变量在某些非凸约束中非线性耦合时。在这项工作中，我们针对这些困难问题提出一种名为罚对偶分解（PDD）的算法，并讨论其各种应用。PDD是一种双循环迭代算法。其内迭代用于通过块坐标下降型方法不精确地求解非凸非光滑增广拉格朗日问题，而外迭代更新对偶变量和/或罚参数。在本工作的第一部分，我们描述了PDD算法并严格确立其收敛到KKT解。在第二部分，我们通过将PDD定制到信号处理和无线通信中产生的三个应用来评估其性能。
引用
@article{arxiv.1712.04767,
title = {Penalty Dual Decomposition Method For Nonsmooth Nonconvex Optimization},
author = {Qingjiang Shi and Mingyi Hong and Xiao Fu and Tsung-Hui Chang},
journal= {arXiv preprint arXiv:1712.04767},
year = {2017}
}
备注
Two part paper, 27 figures