提出了一种基于交替方向法的凸二次规划通用求解器,采用新颖的算子分裂技术,在几乎每次迭代时需要解决一个准定线性系统;该算法非常稳健,并且对问题数据没有任何要求,同时支持缓存因子分解、热启动,特别适用于金融、控制和机器学习等参数化问题的高效求解。
Nov, 2017
本文通过在 GPU 上建立 ADMM 的求解器来加速大规模优化问题的求解,实现了高效地利用算力提高求解速度,并与 CPU 实现相比,速度提高了数十倍。
Dec, 2019
本文介绍了一种半线性交替方向乘子法(ADMM)的优化算法,特别适用于求解包含线性相等约束、半正定锥和简单凸多面体集约束的凸二次半定规划(QSDP)问题,通过实验验证了算法的有效性。
Sep, 2014
本文提出使用 ADMM 算法来解决 SDP 松弛问题,该方法具有低成本迭代、获取低秩解的方式以及简单添加切平面约束的优点,在与目前最佳算法比较中表现出出色的鲁棒性、效率和改进的结果。
Dec, 2015
本文介绍了一种快速解决锥优化问题的方法 - Newton-ADMM,该方法使用交替方向乘子法中生成的连续迭代残差作为一组固定点方程,并使用非光滑牛顿方法找到解决方案。我们将基本思想应用于 Splitting Cone Solver(SCS),并在理论和实践上证明 Newton-ADMM 迅速(即二次)收敛到解决方案。此外,该方法没有调参参数,并可以特化为解决特定的凸问题。
May, 2017
提出快速近端改进增广拉格朗日方法 Fast PALM 和快速近端交替方向乘子方法 Fast PL-ADMM-PS 用于解决凸规划问题,成果表明与传统方法相比,算法具有更好的收敛速度和迭代复杂度.
Nov, 2015
本文提出了一种基于上下文自适应 ADMM 的参数调节方法 CA-ADMM,通过提取 QP 问题的时空依赖,动态调节参数 rho,达到了加速优化过程的效果。
Nov, 2022
本论文提出了使用半定规划的方法研究常见分割方法的性能,并通过两个应用程序证明了该方法的紧密性和价值:一是作为计算机辅助证明的工具,用于证明 Douglas-Rachford 分割的分析收缩因子,二是作为算法工具,通过解决一系列半定程序来计算选择最佳分割方法参数。
Dec, 2018
本文对 Douglas-Rachford splitting(DRS),Peaceman-Rachford splitting(PRS)和 alternating direction method of multipliers(ADMM)算法在各种正则性假设下的收敛速率进行了全面的分析,其中包括强凸性,Lipschitz 可微性和有界线性规律性。结论表明,放松的 PRS 和 ADMM 可以自动适应问题的正则性并实现收敛速率的提高,这些结果都是使用简单的技术得出的。
Jul, 2014
本研究提出了 LADMPSAP 算法,它是一种高效解决多个块的可分离凸问题的算法,可以被广泛应用于机器学习和其他领域,并且在数值实验中证明了其速度和数值准确性的优势。
Oct, 2013