一种精确的增广lagrange乘子算法.docxVIP

一种精确的增广lagrange乘子算法 0 低秩矩阵填充的算法 矩阵填充问题是一个吸引人的新研究领域。它的著名应用是nit系统，用于图像恢复。 矩阵填充主要研究如何在数据不完整的情况下将缺失矩阵进行填充．大部分低秩矩阵(其数据分布在一个低维的线性子空间上)填充问题一般可以通过求解如下凸优化问题来实现: 符号模式矩阵是组合矩阵论的一个新型研究分支，是近年来在组合数学中较为活跃的一个研究方向．符号矩阵 本文结构安排如下:第1节首先回顾已有的对一般矩阵填充的ALM算法，然后详细介绍针对符号矩阵填充的SM-ALM算法和GA算法;第2节给出了SM-ALM算法的收敛性分析;第3节通过数值实验给出了SM-ALM算法和GA算法对符号矩阵填充的结果;最后在第4节对全文进行总结． 为方便起见， 1 该算法 首先回顾已有的对一般矩阵填充的ALM算法: 1.1 计算矩阵及相关算法 ALM算法 其Lagrange函数为: 其中 算法1(ALM算法) 第0步:给定下标集合Ω，样本矩阵D，参数μ 第1步:计算矩阵(D-E 第2步:令 第3步:通过给定参数，若‖D-A 第4步:令Y 1.2 充满符号矩阵的算法 在总结现有算法的基础上，提出针对符号矩阵填充问题的算法． 1.2.1 yr算法2.2改进的alm算法 符号矩阵的填充问题可以描述为以下凸优化问题: 其Lagrange函数为: 其中A,D,E都是符号矩阵，Y∈R 算法2(SM-ALM算法) 第0步:给定下标集合Ω，样本矩阵D，参数μ 第1步:计算矩阵(D-E 第2步:令 第3步:令 第4步:通过给定参数，若‖D-A 第5步:令Y 算法2在进行奇异值分解之后，根据矩阵的均值进行投影，然后进行填充，这样可以保证每次产生的迭代矩阵都保持符号矩阵的结构． 1.2.2 新种群的生成 遗传算法(GA) 下面我们提出针对符号矩阵填充的遗传算法． 算法3(GA算法) 第0步:给定下标集合Ω，样本矩阵D，参数ε，交叉概率，变异概率; 第1步:给定种群大小，根据采样率计算染色体长度，生成种群pop(其中元素为1,0); 第3步:对pop中每一个个体进行选择，得到新种群newpop; 第4步:对新种群newpop进行交叉，变异得到newpop1; 第5步:将newpop1中每一个个体代入D中( 第6步:若 第7步:比较newpop1中每一个个体适应度的大小，选出最优个体． 2 收集剂分析 本节讨论算法2的收敛性． 引理1 引理2 其中: 为方便起见，将算法1中的A 引理4若 证明 证明 由引理4知，当k充分大时，有D-A 3 数值实验 在本节中，通过数值实验比较SM-ALM算法与GA算法． 在实验中，M表示采样矩阵，A表示输出的最优解， 4 sm-alm算法可行性分析 在本文中，使用SM-ALM算法和GA算法来填充符号矩阵，结果表明SM-ALM算法是可行的，并能在很短的时间和很少的迭代步数内找到精确的解．而使用GA算法只能经过有限步迭代输出结果，降低误差，不能达到收敛的效果，更找不到精确的解． 其中，核范数