LDPC码ADMM惩罚译码器不同消息调度策略复杂度研究

目的 说明基于交替方向乘子法(Alternating Direction Method of Multipliers ,ADMM )的低密度校验(Low-Density Parity-Check ,LDPC )码惩罚译码方法分层调度策略的译码性能和译码速度优于洪水消息调度策略的原因.方法 比较LDPC码ADMM 惩罚译码方法洪水消息调度策略、水平分层消息调度策略和垂直分层消息调度策略的计算复杂度和存储复杂度.结果 ADMM 惩罚译码方法的3种消息调度策略的存储复杂度相同,但洪水调度策略的计算复杂度最高,2种分层调度策略的计算复杂度大致相同.结论 LDPC码ADMM 惩罚译码方法分层消息调度策略的译码性能和译码速度要明显优于洪水消息调度策略.     

基于线段投影的ADMM-LP译码算法硬件实现

奇偶校验多胞体投影是交替方向乘子法（ADMM）译码算法中最为复杂的部分,复杂的投影计算使得ADMM译码算法复杂度较高且无高效的硬件实现方案。使用线段投影算法(LSA)计算校验多胞体投影可以省去复杂的排序和迭代操作,仅需进行简单的加减与比较运算,十分适合硬件实现。本文首先针对硬件实现对线段投影算法进行简化,并设计了完整的ADMM译码硬件实现方案,在FPGA中搭建了完整译码平台进行实验。实验表明：相较于已有的译码器,本文实现的ADMM-LSA译码器误码率性能基本一致,译码速度提高了30.6%,且在硬件资源消耗上有大幅减少,其中LUT资源使用量减少了40.3%,FF资源减少67.6%,DSP资源减少54.5%。     

求解可分离凸优化问题的惯性近似松弛交替方向乘子法

基于交替方向乘子法(ADMM)提出了一种求解可分离凸优化可行问题的惯性近似松弛交替方向乘子法(IPR-ADMM).新构造的算法不仅具有提高算法收敛性的优势的惯性外推项,而且引入随机变量以随机加速新步长,从而提高算法的灵活性.并在适当的假设下,证明了算法的全局迭代收敛性.数值实验结果表明,数据维数取值越大,算法收敛越快,...     

最大化夏普比率的交替方向乘子法

为使用交替方向乘子法(ADMM)求解夏普比率最大值,在将非凸函数夏普比率转化成凸函数后,证明其定义域也是凸的,设计了增加拉格朗日乘子循环的ADMM进行求解,在一定条件下证明了算法能够收敛到最优解.在实证分析中,找到了使ADMM算法收敛最快的松弛因子,并将其与其他求解凸规划的类似算法进行比较,得出ADMM算法的表现更加优...     

通过随机排序的交替方向乘子法的矩阵恢复

为了解决交替方向乘子法（ADMM）在求解广义的鲁棒主成分分析（G-RPCA）模型时结果不收敛的问题,提出用随机排序的交替方向乘子法（RP-ADMM）来求解这一模型,并且通过数值模拟和实例验证证明了该算法的有效性。结果表明,该算法求解G-RPCA模型较目前已有的算法速度更快、鲁棒性更高;在处理同时被稀疏大噪声和稠密小噪声污染的图片时,能较理想地分离出图像的低秩部分、大噪声部分和小噪声部分。     

基于均衡约束的ADMM-LDPC译码算法

基于交替方向乘子法(ADMM)的改进型惩罚函数LDPC译码算法能够提升译码性能,但却存在优化参数数目过多的问题.针对该问题,提出一种基于均衡约束的ADMM-LDPC译码算法.首先将码字的0-1整数约束等价转化为连续的均衡约束,使得原有的整数优化问题转化为含均衡约束的非凸问题;然后采用惩罚函数的方法将该非凸问题转化为可求解的双层凸优化问题;最后采用迭代优化算法对该问题进行求解.仿真结果表明:相较于原有算法,所提算法大幅减少了所需优化的参数数目,且在低信噪比时能实现约0.05 d B的性能提升.     

一种加速的广义交替方向乘子法

针对一类特殊的凸优化问题,原始交替方向乘子法收敛较慢,为改善算法的收敛速度,一种加速交替方向乘子法被提出,但是该算法可能会使对偶变量更新步长变得很小,影响算法效果.基于此,本文提出一种加速的广义交替方向乘子法,通过应用Chambolle和Pock提出的惩罚参数更新规则,证明了所提算法在一定假设条件下的全局收敛性以及建立起了在遍历情况下的最坏Ο(1/n~2)收敛率.     

基于ADMM算法正则化最优步长的研究

交替方向乘子法(Alternating Direction Method of Multipliers,简称ADMM)已经成为求解大规模结构性优化问题的有效方法。尽管已经有较多关于ADMM算法收敛性的研究,但关于该算法参数对收敛性影响的定量表示仍须进一步研究,已有的结果中仅是在实验中凭经验对步长进行选取。文章研究ADMM算法l_1正则化最小的一个重要问题Lasso的收敛因子。研究发现解的形式可用软阈值算子表示,分析发现软阈值的三种情况可以等价转化成算法收敛因子的两种情况,然后通过最小化收敛因子解出最优的步长。实验表明,应用该方法选出的步长,其相应算法的收敛速度明显快于其他选取步长的情况。此外,将该方法应用到压缩感知问题,给出了一个计算最优步长的近似值策略,获得了较好的实验效果。     

基于ADMM迭代法的PageRank问题的求解

针对PageRank问题导出的线性方程组,首先对方程组的系数矩阵进行了LU分解,提出了一种基于交替方向乘子法(ADMM)形式的迭代算法,用于求解该线性方程组的最小二乘解;然后,证明了所提出的算法的收敛性;最后,数值结果表明了该算法的可行性.     

非凸不可分离问题的广义交替方向乘子法的收敛性

交替方向乘子法（ADMM）是求解大规模优化问题和非凸非光滑问题的一种有效的方法,但当目标函数为非凸非光滑的情况时,原始ADMM算法的收敛性无法保证,且若目标函数中存在耦合函数,则算法的收敛性证明将更为复杂。在现实生活中存在的很多问题,其本质都是非凸的。因此,本文提出了一种改进的ADMM算法。与原始ADMM算法相比,该算法引入了一个松弛因子$\alpha $,构造了一种广义交替方向乘子法（GADMM）来求解具有线性约束的非凸不可分离优化问题。在一定的假设条件下,通过假设增广拉格朗日函数满足K-L不等式,证明了当惩罚参数足够大时,算法生成的序列收敛到增广拉格朗日函数的稳定点。     

求解一般l1趋势过滤问题的原始对偶内点法

针对一般l₁趋势过滤问题提出一种原始对偶内点法，首先给出原始对偶内点法的算法框架，并对原始对偶内点法进行收敛性分析和算法复杂度分析.最后，将提出的算法和目前流行的半光滑牛顿增广拉格朗日方法和交替方向乘子法进行对比.实验结果表明：当模型中的参数变化时，原始对偶内点法更加高效和稳健.     

基于动态规划的云计算任务调度研究

任务调度作为云计算中的核心问题,其目的是合理分配任务,实现最佳调度策略并且有效地完成任务.首先对当前云计算中任务调度算法进行分析并指出传统算法的不足与缺点,然后提出一种基于动态规划模型的任务调度算法,以任务运行时间最少为优化目标,把任务与数据集群中虚拟机匹配看成为多阶段决策的组合优化.最后在CloudSim进行仿真实验,结果表明,所提算法在满足多用户需求下与max-min和min-min算法相比,在一定数量规模下,任务完成时间减少而资源负载相对均衡.     

稀疏多元逻辑回归问题优化算法研究

稀疏多元逻辑回归(sparse multinomial logistic regression, SMLR)因为具有在分类的同时嵌入特征选择的作用而被广泛应用于生物信息学、高光谱图像分类、图像中的多类物体识别等领域。SMLR问题最早采用迭代重加权最小二乘法(iterative reweighted least squares, IRLS)的方式进行求解。但IRLS算法在处理高维数据集或者类别数较多的数据集时具有较高的计算复杂度。为了提高SMLR的可用性,提出采用一些高级优化算法如快速迭代收缩阈值法(fast iterative shrinkage threshold method, FISTA)、快速自适应收缩阈值法(fast adaptive shrinkage threshold method, FASTA)、交替方向乘子法(alternating direction multiplier method, ADMM)等来对SMLR问题进行求解。此外,为提高SMLR的适用性,还考虑了SMLR问题的分布式优化求解。对提出的几种SMLR优化求解算法的性能在不同数据集下进行了综合比较。实验结果表明,提出的算法在求解速度和准确率指标上都优于目前最先进的基于IRLS的SMLR优化算法。     

云计算下均衡负载的差异性资源调度算法优化研究

随着云计算的逐渐发展,云计算下容易出现虚拟机负载不均衡和差异性资源调度时间长的问题,当前调度算法大多无法有效解决均衡负载问题,影响调度性能。为此,提出一种新的云计算下均衡负载的差异性资源调度算法,对云计算下资源调度问题进行描述,针对云计算下虚拟机差异性资源负载问题设定参数。设计蚁群优化算法,蚂蚁爬行的每一步代表指派的一个差异性资源任务,引入挥发因子对信息素更新规则进行改进,获取全局信息素。利用蚁群优化算法对云计算下负载的差异性资源进行均衡调度,给出详细实现过程。实验结果表明,所提算法有较好的收敛性,均衡负载效果好,且时间复杂度低。     

基于任务复制的进化调度算法

并行程序任务调度是NP完全问题。已有的进化调度算法不能很好利用任务复制这一重要手段。为此，利用染色体直接编码和间接编码的优点，并结合任务图的知识，使进化调度算法的搜索能力得到增强，同时染色体的解码过程也得到简化。通过与同类算法的性能比较，表明了本算法在调度问题中的有效性。     

基于遗传算法的Job-shop调度问题研究

Job-shop调度问题是一个强NP－难问题。为此提出了一种简单，易操作的遗传算法对该问题进行求解。采用一种插入式贪婪解码算法保证生成的调度是活动调度(active schedule)。通过几个著名的Muth and Thompson测试例子及与目前较好的遗传算法的比较实验，以验证这一算法的有效性。