该研究提出了具有惯性 / 存储效应的前后向近端算法，用于在非凸环境中最小化一个不光滑函数与一个光滑函数的总和。该算法生成的迭代序列收敛于目标函数的临界点，前提是目标函数的适当正则化满足 Kurdyka-Łojasiewicz 不等式，这对于半代数函数来说是成立的。通过两个数值实验说明了理论结果：第一个实验涉及恢复非凸优化问题的本地最优解的能力，而第二个实验涉及模糊图像的恢复。

Oct, 2014

本文提出一种有效的算法来解决图像恢复应用中的约束问题，包括去卷积和从压缩观测中重建图像，使用总变差或小波（或更一般的框架）正则化。该算法属于增广 Lagrange 方法的范畴，并表现出在一定条件下具有收敛性。本文的结果表明，所提出的算法在图像恢复领域中具有最先进的技术水平。

Dec, 2009

本文提出和建立了一种非精确的近端加速增广 Lagrange (IPAAL) 方法，用于解决线性约束平滑非凸复合优化问题的迭代复杂度，并证明了 IPAAL 方法在大多数 ACG 迭代中产生一个近似稳定解决方案。

Jun, 2020

该研究提出了一种基于随机梯度下降法的内点算法，用于最小化一个连续可微的目标函数，该函数可能不是凸函数，同时受到边界约束。该算法唯一之处在于通过计算随机梯度估计来计算搜索方向，以及通过正面和消失的邻域参数序列来定义可行区域内部邻域，从而迫使迭代点保持在该邻域内。数值实验结果表明，在确定性和随机设置下，该算法的性能可以超过投影 -（随机）梯度法。

Apr, 2023

我们提出了一种新的近端 - 梯度方法，用于最小化可微、可能非凸的函数加上凸、可能非可微的函数，并探讨了度量可能在每次迭代中改变，近似计算近端点并给出充分条件的可能性。我们还展示了这个方法在图像恢复问题中的竞争力。

Jun, 2015

通过使用可计算的接近算子和自共轭障碍的凸约束集，提出了一种新的关于近端和自共轭障碍概念的混合处理方法，并提出了一种非精确路径跟踪算法框架，可以有效地解决非光滑凸最小化问题，同时可以以无调谐自由的方式获得自共轭目标正则化问题的 Pareto 前沿点。

Nov, 2013

本文介绍了通过应用已知算法到原问题的复合平滑近似，获得无约束或线性约束的复合非凸凹、极小极大（因而是非光滑的）问题的近似稳定点的平滑方案。具体而言，在无约束（resp. 有约束）的情况下，通过应用作者先前提出的加速不精确近端点算法（resp. 二次罚项）到其复合平滑近似，获得原问题的近似稳态点。同时，还建立了两个平滑方案的迭代复杂度界。最后，给出了数值结果，以展示无约束平滑方案的效率。

May, 2019

本文提出了一种高效的近端梯度算法，每个迭代只需要一个不精确（因此更便宜）的近端步骤，收敛于非凸问题的临界点并具有 O (1/k) 的收敛速度，比一阶方法中非凸问题的最佳速度还要快。

Dec, 2016

提出了两个针对非凸情况的数值算法，用于快速解决优化问题。该算法基于可变度量介绍了近端项，这使得我们能够针对非凸结构优化问题构建新的近端分裂算法。在变量度量序列条件温和并且假设相关增广拉格朗日函数具有 Kurdyka-Lojasiewicz 性质的情况下，证明了该算法迭代可以收敛到 KKT 点，并获得了增广拉格朗日函数和迭代的收敛速度。

Jan, 2018

文章提出了一种惯性前向 - 后向拆分算法来计算两个单调算子之和的零点，并允许在算子的计算中存在随机误差。结果可应用于解决复合单调包含和结构化单调包含问题。

Jul, 2015