唐 玥,郭 科,趙世蓮
(西華師范大學 數學與信息學院,四川 南充 637009)
在本文中,我們考慮如下的雙層優化問題
(1)
其中,H是實Hilbert空間,A∶H→2H,B∶H→2H是集值單調映射,ω∶H→R是強凸函數。外層優化問題是指如下的凸極小化問題:
其中,ω是可微強凸函數。這里假定X*≠?,而X*是下述內層優化問題的最優解集,
0∈Ax+Bx。
(2)
特別地,當A為連續可微凸函數f的梯度f,B為下半連續凸函數g的次微分?g時,問題(2)就退化為:
0∈f(x)+?g(x)。
(3)
易知,(3)為下述凸極小化問題的最優性條件:
(4)
上述優化問題(4)通常稱為復合凸優化問題,在稀疏優化、機器學習、統計學習中有重要的應用。 對于下列最小范數解問題:
(5)
問題(5)正是(1)式的特殊情況,所以雙層優化問題包括了最小范數解問題。
算子分裂方法[1-4]是最優化理論和方法中比較重要的方法,它主要用于解決最優化與最優控制領域中一類比較重要的問題——單調包含問題。本文的主要目的是用Forward-Backward分裂算法[5-7]來求解雙層凸優化問題(1),證明算法所產生的序列的收斂性,然后將該算法應用于求解變分不等式約束的雙層優化問題。
首先我們回顧一些相關的概念和結論。
定義1設映射T:H→2H,稱T是單調算子,若它滿足:
〈x-y,w-v〉≥0,?x,y∈H,?w∈T(x),v∈T(y),
稱T是極大單調算子,若T單調且對任意的x,y∈H,它滿足:
〈x-y,w-v〉≥0,w∈T(x)?v∈T(y)。
定義2設映射T:H→2H,稱T是α-強單調算子,若存在α>0,使它滿足:
〈v1-v0,x1-x0〉≥α‖x1-x0‖2,?v0∈T(x0),v1∈T(x1),?x0,v1∈H。
定義3設T:D→H,其中D是H的非空子集,
(i)T是β-壓縮映射,若存在β>0使它滿足:
‖Tx-Ty‖β‖x-y‖,?x,y∈D。
特別地,當β=0時,稱T是非擴張的。
(ii)T是穩定非擴張的,若它滿足:
‖Tx-Ty‖2+‖(I-T)x-(I-T)y‖2‖x-y‖2,?x,y∈D。
(iii)T是β-余強制的,若存在β>0使它滿足:
〈Tx-Ty,x-y〉≥β‖Tx-Ty‖2,?x,y∈D。
定義4稱映射T:H→H為α-平均映射,若T能寫成T=(1-α)I+αS,其中α∈(0,1),S:H→H是非擴張的。
定義5稱函數f:H→H為強凸的,若存在α>0使它滿足:
f(tx-(1-t)y)?x,y∈H,?t∈(0,1)。
定義6 設極大單調算子T:H→2H,常數r>0,則
JrT(x)∶=(I+rT)-1(x),x∈H,
稱為T的預解算子。
命題1[8]設極大單調算子T:H→2H,r>0,則JrT是單值非擴張映射。
命題2[8]設T:D→H,其中D是H的非空子集,
(i)如果T是均值映射,則它是非擴張映射;
命題5[9]在Hilbert空間H中,C是H的閉凸子集,設S:C→C是α-壓縮的,
T:C→C是非擴張的,令P∶=Fix(T)≠?,x0∈H,下列算法:
xn+1=αnSxn+(1-αn)Txn,
〈x-x*,Sx*-x*〉0,x∈P。
(6)
命題6[8]設T:H→H是非擴張的,α∈[0,1],則Id+αT是極大單調算子。
為了證明方便我們先給出下面兩個假設:
假設1:ω是一個連續可微函數的σ-強凸函數,其中σ∈R++,ω是Lω-Lipschitz 連續的。
定理1假設A是極大單調算子,B是ρ-余強制的,Ker(A+B)≠?,令x0∈H,ρ∈R++,我們給出如下算法:
(7)
注1特別地,在該算法中,若是預解算子JrT變成鄰近梯度則正是Sabach和Shimrit在文獻[10]中提出的BiG-SAM算法。
變分不等式約束的雙層優化問題
(8)
其中,C={x|〈F(x),y-x〉≥0,?y∈Ω}。 變分不等式的模型是指:尋找x∈Ω,使得:
〈F(x),y-x〉≥0,?y∈Ω,
(9)
其中,F是一個Rn→Rn的單值映射,Ω是Rn中的非空閉凸集,設SOL(Ω,F)是變分不等式(9)的解集。
稱NΩ(x)∶={d∈Rn:〈d,y-x〉≤0,?y∈Ω}為Ω在x處的法錐,其中Ω是Rn中的非空閉凸集,F:Ω→Rn是一個映射。則自然成立的一個關系為:
x∈SOL(Ω,F)?-F(x)∈NΩ(x)
?0∈F(x)+NΩ(x),
由此可見,經典的變分不等式可以寫成兩個算子和的包含問題。特別地,如果令
由命題6我們很容易知道A∶=NΩ是極大單調算子,接著我們將定理1的結論應用于求解問題(8),得到如下的推論成立。
(10)
本文用Forward-Backward分裂算法來求解雙層優化問題,證明了算法的收斂性,推廣了Sabach和Shimrit在文獻[10]中的結果,并且給出了算法的一個應用,將算法應用于研究變分不等式約束的雙層問題,給出了收斂性。在今后的工作中將考慮用更多的分裂方法來求解雙層優化問題,并且比較他們的差異性。
參考文獻:
[1]LIONS P L,MERCIER B.Splitting algorithms for the sum of two nonlinear operators[J].SIAM Journal on Numerical Analysis,1979,16(6):964-979.
[2]DOUGLAS J,RACHFORD H H.On the numerical solution of heat conduction problems in two and three space variables[J].Transactions of the American Mathematical Society.1956,82(2):421-439.
[3]董玉達.Splitting methods for monotone inclusions[D].南京:南京大學,2003.
[4]LORENZO R,SILVIA V,BANG C V.Stochastic forward-backward splitting for monotone inclusions[J].Journal of Optimization Theory and Applications,2016,169(2):388-406.
[5]PASSTY G B.Ergodic convergence to a zero of the sum of monotone operators in Hilbert space[J].Journal of Mathematical Analysis and Applications,1979,72(2):383-390.
[6]KUZNETSOV I V.Entropy solutions to a second order forward-backward parabolic differential equation[J].Siberian Mathematical Journal,2005,46(3):467-488.
[7]COMBETTES P L,WAJS V R.Signal recovery by proximal forward-backward splitting[J].Siam Journal on Multiscale Modeling & Simulation,2005,4(4):1168-1200.
[8]BAUSCHKE H H,COMBETTES P L.Convex analysis and monotone operator theory in Hilbert spaces[M].New York:CMS Booka Math,Springer,2011.
[9]XU H K.Viscosity approximation methods for nonexpansive mappings[J].Journal of Mathematical Analysis,2004,298(1):279-29.
[10]SHOHAM S,SHIMRIT S.A first order method for solving convex bilevel optimization problems[J].SIAM Journal on Optimization,2017,27(2):640-660.