求解非凸两分块优化问题的Majorized Bregman交替方向乘子法

针对一类两分块非凸优化问题，提出Majorized 带Bregman距离的交替方向乘子法。为了使问题的子问题更易求解，对目标函数中的光滑项进行极大化线性处理，并对x子问题和y子问题同时添加一个Bregman距离。在适当的假设条件下，建立了算法的全局收敛性。同时，在效益函数满足KL性质时，建立了算法的强收敛性。数值实验结果验证该算法的有效性。     

基于BB步长的一类原始-对偶算法

增广拉格朗日乘子法(ALM)是求解带等式约束的二次凸优化问题的常用方法，但罚参数选取不当时，收敛速度比较慢.提出ALM-BB算法，利用Barzilai-Borwein(BB)算法的步长去改进原始的ALM,证明ALM-BB算法的收敛性.最后将这类方法运用于求解范数最优控制问题.数值算例表明改进的算法收敛速度更快.     

对流扩散方程最优控制问题的重心插值配点格式

为了讨论对流扩散方程最优控制问题的重心插值配点格式，首先，借助Lagrange乘子法，推导出由状态方程、伴随方程、最优性方程构成的最优性条件.其次，在空间x,y方向均运用重心插值配点格式离散方程组，并给出该配点格式的相容性分析.最后，数值实验验证格式的有效性，与经典有限差分格式比较，重心插值配点格式用较少的节点数就能具有很高的精度.     

变分迭代法在多维抛物型方程反问题中的应用

通过抛物型方程反问题：ut=Δu＋p（t）u＋（x,t）,x∈,Ωt∈（0,T）,ΩRn的求解,阐述了变分迭代法在多维抛物型方程中的应用原理,变分迭代法在二维、三维抛物型方程的应用充分显示了对求一系列精确解具有很快的收敛速度,变分迭代法的应用范围更加广泛.     

基于自适应图调节和低秩矩阵分解的鲁棒聚类

聚类是数据挖掘和机器学习领域的重要研究内容,一般会先基于数据样本构建相似图,再基于相似图将样本划分到相应的类中。但是真实的数据经常被损坏,导致学习的相似图不准确,从而直接影响聚类结果。为解决这些问题,提出一种面向鲁棒聚类的自适应图调节和低秩矩阵分解的方法,该方法的核心思想是:将原始数据X分解为纯净数据D和噪声数据S,再基于纯净数据构造拉普拉斯矩阵并进行自适应图调节。随后,给出一个联合学习框架,将数据分离、自适应图正则、噪声消除和低秩矩阵分解集成到一个目标函数中。利用增广拉格朗日乘子法分别更新变量。最后,在理论上证明算法的收敛性并进行实验。实验结果表明所提出的方法与现有一些方法相比有一定优越性。     

非凸非光滑优化问题的惯性Bregman ADMM的收敛性分析

【目的】针对具有可分结构的非凸非光滑优化问题，提出一种内置惯性Bregman交替方向乘子法。【方法】为了加快算法的收敛速度，在Bregman交替方向乘子法的框架下，对子问题中的Bregman度量内置惯性项。【结果】在生成的点列有界的条件下，利用Kurdyka-Lojasiewicz性质，证明了算法的渐进收敛性。【结论】数值实验结果表明了该算法的有效性。