1:解決的問題模型如下:
或者約束條件可以適當的鬆弛,即爲如下模型:
當然約束條件取
2:幾類優化算法
(1)梯度投影算法Gradient Projection Methods
原問題可以變爲如下問題:
下面介紹兩種方法對其進行處理。
i)上式又等價於:
所以就有如下記號和約定:
更新
其中
下介紹第二種方法 truncated Newton interior-point method.
ii)上式又等價於:
利用內點法的把約束條件給罰到目標函數上去。
在這裏我們對約束條件利用logarithmic barrier函數進行改寫。
在這裏,我們可以看到當
所以上式可以等價於如下模型:
然後利用牛頓算法進行求解計算。
(2)迭代閾值收縮算法 Iterative Shrinkage-Thresholding Methods
對於一般的模型:
其中:
對
可以適用迭代閾值算法。關於l_{1}範數最優化的迭代閾值算法的證明可以參見我的另一篇博客
(3)近端梯度算法 Proximal gradient method
其處理的模型如下:
其中
其中
那麼可以進行如下算法來解決問題:
說明:
第一步的更新:按照
第二步的更新:有數值解,進行軟閾值操作。
(4)交替方向法 Alternating Direction Methods
其實利用的是拉格朗日算法,來進行更新出來。解決的模型如下:
其拉格朗日函數如下:
問題變爲分別最小化
說明:
更新
更新
更新
Fast ℓ 1-minimization algorithms and an application in robust face recognition