235 lines
5.5 KiB
Markdown
235 lines
5.5 KiB
Markdown
# 交替方向乘子法（ADMM）
|
||
|
||
**Alternating Direction Method of Multipliers (ADMM)** 是一种用于求解大规模优化问题的高效算法，结合了拉格朗日乘子法和分裂方法的优点。
|
||
|
||
---
|
||
|
||
## 基本概念
|
||
|
||
- **优化问题分解**
|
||
ADMM 的核心思想是将复杂优化问题分解为多个较简单的子问题，通过引入辅助变量将原问题转化为约束优化问题，使子问题独立求解。
|
||
|
||
- **拉格朗日乘子**
|
||
利用拉格朗日乘子处理约束条件，构造增强拉格朗日函数，确保子问题求解时同时考虑原问题的约束信息。
|
||
|
||
- **交替更新**
|
||
通过交替更新子问题的解和拉格朗日乘子，逐步逼近原问题的最优解。
|
||
|
||
---
|
||
|
||
## 算法流程
|
||
|
||
1. **问题分解**
|
||
将原问题分解为两个子问题。假设原问题表示为：
|
||
$$\min_{x, z} f(x) + g(z) \quad \text{s.t.} \quad Ax + Bz = c$$
|
||
其中 $f$ 和 $g$ 是凸函数，$A$ 和 $B$ 为给定矩阵。
|
||
|
||
2. **构造增强拉格朗日函数**
|
||
引入拉格朗日乘子 $y$，构造增强拉格朗日函数：
|
||
$$L_\rho(x, z, y) = f(x) + g(z) + y^T(Ax+Bz-c) + \frac{\rho}{2}\|Ax+Bz-c\|^2$$
|
||
其中 $\rho > 0$ 控制惩罚项的权重。
|
||
|
||
3. **交替更新**
|
||
- **更新 $x$**：固定 $z$ 和 $y$，求解 $\arg\min_x L_\rho(x, z, y)$。
|
||
- **更新 $z$**：固定 $x$ 和 $y$，求解 $\arg\min_z L_\rho(x, z, y)$。
|
||
- **更新乘子 $y$**：按梯度上升方式更新：
|
||
$$y := y + \rho(Ax + Bz - c)$$
|
||
|
||
4. **迭代求解**
|
||
重复上述步骤，直到原始残差和对偶残差满足收敛条件（如 $\|Ax+Bz-c\| < \epsilon$）。
|
||
|
||
|
||
|
||
## 例子
|
||
|
||
下面给出一个简单的数值例子，展示 ADMM 在求解分解问题时的迭代过程。我们构造如下问题：
|
||
|
||
$$
|
||
\begin{aligned}
|
||
\min_{x, z}\quad & (x-1)^2 + (z-2)^2 \\
|
||
\text{s.t.}\quad & x - z = 0.
|
||
\end{aligned}
|
||
$$
|
||
|
||
**注意**：由于约束要求 $x=z$，实际问题等价于
|
||
$$
|
||
\min_{x} (x-1)^2 + (x-2)^2,
|
||
$$
|
||
|
||
其解析最优解为：
|
||
|
||
$$
|
||
2(x-1)+2(x-2)=4x-6=0\quad\Rightarrow\quad x=1.5,
|
||
$$
|
||
|
||
因此我们希望得到 $x=z=1.5$。
|
||
|
||
|
||
|
||
**构造 ADMM 框架**
|
||
|
||
将问题写成 ADMM 标准形式：
|
||
|
||
- 令
|
||
$$
|
||
f(x)=(x-1)^2,\quad g(z)=(z-2)^2,
|
||
$$
|
||
|
||
- 约束写为
|
||
$$
|
||
x-z=0,
|
||
$$
|
||
即令 $A=1$、$B=-1$、$c=0$。
|
||
|
||
增强拉格朗日函数为
|
||
|
||
$$
|
||
L_\rho(x,z,y)=(x-1)^2+(z-2)^2+y(x-z)+\frac{\rho}{2}(x-z)^2,
|
||
$$
|
||
|
||
其中 $y$ 是拉格朗日乘子，$\rho>0$ 是惩罚参数。为简单起见，我们选取 $\rho=1$。
|
||
|
||
|
||
|
||
**ADMM 的更新公式**
|
||
|
||
针对本问题可以推导出三个更新步骤：
|
||
|
||
1. **更新 $x$：**
|
||
|
||
固定 $z$ 和 $y$，求解
|
||
$$
|
||
x^{k+1} = \arg\min_x\; (x-1)^2 + y^k(x-z^k)+\frac{1}{2}(x-z^k)^2.
|
||
$$
|
||
对 $x$ 求导并令其为零：
|
||
$$
|
||
2(x-1) + y^k + (x-z^k)=0 \quad\Rightarrow\quad (2+1)x = 2 + z^k - y^k,
|
||
$$
|
||
得到更新公式：
|
||
$$
|
||
x^{k+1} = \frac{2+z^k-y^k}{3}.
|
||
$$
|
||
|
||
2. **更新 $z$：**
|
||
|
||
固定 $x$ 和 $y$，求解
|
||
$$
|
||
z^{k+1} = \arg\min_z\; (z-2)^2 - y^kz+\frac{1}{2}(x^{k+1}-z)^2.
|
||
$$
|
||
注意：由于 $y(x-z)$ 中关于 $z$ 的部分为 $-y^kz$（常数项 $y^kx$ 可忽略），求导得：
|
||
$$
|
||
2(z-2) - y^k - (x^{k+1}-z)=0 \quad\Rightarrow\quad (2+1)z = 4 + y^k + x^{k+1},
|
||
$$
|
||
得到更新公式：
|
||
$$
|
||
z^{k+1} = \frac{4+y^k+x^{k+1}}{3}.
|
||
$$
|
||
|
||
3. **更新 $y$：**
|
||
|
||
按梯度上升更新乘子：
|
||
$$
|
||
y^{k+1} = y^k + \rho\,(x^{k+1}-z^{k+1}).
|
||
$$
|
||
这里 $\rho=1$，所以
|
||
$$
|
||
y^{k+1} = y^k + \bigl(x^{k+1}-z^{k+1}\bigr).
|
||
$$
|
||
|
||
|
||
|
||
**数值迭代示例**
|
||
|
||
**第 1 次迭代：**
|
||
|
||
- **更新 $x$：**
|
||
|
||
$$
|
||
x^1 = \frac{2+z^0-y^0}{3}=\frac{2+0-0}{3}=\frac{2}{3}\approx0.667.
|
||
$$
|
||
|
||
- **更新 $z$：**
|
||
|
||
$$
|
||
z^1 = \frac{4+y^0+x^1}{3}=\frac{4+0+0.667}{3}\approx\frac{4.667}{3}\approx1.556.
|
||
$$
|
||
|
||
- **更新 $y$：**
|
||
|
||
$$
|
||
y^1 = y^0+(x^1-z^1)=0+(0.667-1.556)\approx-0.889.
|
||
$$
|
||
|
||
---
|
||
|
||
**第 2 次迭代：**
|
||
|
||
- **更新 $x$：**
|
||
|
||
$$
|
||
x^2 = \frac{2+z^1-y^1}{3}=\frac{2+1.556-(-0.889)}{3}=\frac{2+1.556+0.889}{3}\approx\frac{4.445}{3}\approx1.4817.
|
||
$$
|
||
|
||
- **更新 $z$：**
|
||
|
||
$$
|
||
z^2 = \frac{4+y^1+x^2}{3}=\frac{4+(-0.889)+1.4817}{3}=\frac{4-0.889+1.4817}{3}\approx\frac{4.5927}{3}\approx1.5309.
|
||
$$
|
||
|
||
- **更新 $y$：**
|
||
|
||
$$
|
||
y^2 = y^1+(x^2-z^2)\approx -0.889+(1.4817-1.5309)\approx -0.889-0.0492\approx -0.938.
|
||
$$
|
||
|
||
---
|
||
|
||
**第 3 次迭代：**
|
||
|
||
- **更新 $x$：**
|
||
|
||
$$
|
||
x^3 = \frac{2+z^2-y^2}{3}=\frac{2+1.5309-(-0.938)}{3}=\frac{2+1.5309+0.938}{3}\approx\frac{4.4689}{3}\approx1.4896.
|
||
$$
|
||
|
||
- **更新 $z$：**
|
||
|
||
$$
|
||
z^3 = \frac{4+y^2+x^3}{3}=\frac{4+(-0.938)+1.4896}{3}\approx\frac{4.5516}{3}\approx1.5172.
|
||
$$
|
||
|
||
- **更新 $y$：**
|
||
|
||
$$
|
||
y^3 = y^2+(x^3-z^3)\approx -0.938+(1.4896-1.5172)\approx -0.938-0.0276\approx -0.9656.
|
||
$$
|
||
|
||
---
|
||
|
||
从迭代过程可以看出：
|
||
|
||
- $x$ 和 $z$ 的值在不断调整，目标是使两者相等，从而满足约束。
|
||
- 最终随着迭代次数增加，$x$ 和 $z$ 会收敛到约 1.5，同时乘子 $y$ 收敛到 $-1$（这与 KKT 条件相符）。
|
||
|
||
|
||
|
||
## 应用领域
|
||
|
||
- **大规模优化**
|
||
在大数据、机器学习中利用并行计算加速求解。
|
||
- **信号与图像处理**
|
||
用于去噪、压缩感知等稀疏表示问题。
|
||
- **分布式计算**
|
||
在多节点协同场景下求解大规模问题。
|
||
|
||
---
|
||
|
||
## 优点与局限性
|
||
|
||
| **优点** | **局限性** |
|
||
| ------------------ | ---------------------- |
|
||
| 分布式计算能力 | 小规模问题可能收敛较慢 |
|
||
| 支持稀疏性和正则化 | 参数 $\rho$ 需精细调节 |
|
||
| 收敛性稳定 | — |
|
||
|