[ML]交替方向乘子法(ADMM)简明梳理
交替方向乘子法(ADMM)简明梳理
本文对ADMM所涉及的一些数学知识进行简单的讲解, 并在最后汇总, 写出ADMM的基本形式.
本文对推导过程酌情省略.
拉格朗日乘子法
给定二元函数\(z=f(x,y)\)和约束条件\(\psi(x,y)=0\), 求二元函数\(z=f(x,y)\)在约束条件下的极值点. 该问题可以用拉格朗日乘子法解:
首先做拉格朗日函数
其中\(\lambda\)为参数.
令上式对所有自变量的一阶偏导等于零, 即
由上式解出\(x\), \(y\)及\(\lambda\), 如此求得的\((x,y)\), 就是函数\(z=f(x,y)\)在约束条件\(\psi(x,y)=0\)下的可能极值点. 若这样的点只有一个, 由实际问题可直接确定此点即所求的点.
对偶上升法
首先需要简单介绍一下凸函数的定义. 凸函数比较直观的含义即为函数上任意两点的连线都在函数值之上, 二维上的典型是\(y=x^2\), 形如下凸的曲线, 三维上的典型是\(z=x^2+y^2\), 形如山谷.
接下来提出一个基础问题:
设函数\(f(x)\)是一个凸函数, 约束条件为\(Ax=b\), 求函数\(f(x)\)的最小值.
即
写出该问题的拉格朗日函数
其中\(y\)是拉格朗日乘子, 也称为对偶变量.
对偶函数为
其中inf代表下确界, \(f^*\)代表\(f\)的共轭函数.
在满足一定条件的情况下, 对偶问题和原问题的最优值相等. 设原问题最优值为\(x^*\), 对偶问题最优值为\(y^*\), 则
则可以通过对偶上升法, 通过梯度上升法迭代求解, 即
增广拉格朗日乘子法
在原拉格朗日乘子法的基础上加入惩罚项, 即为增广拉格朗日乘子法, 形如
其中\(\rho>0\), 称为惩罚参数.
在增广拉格朗日乘子法下, 原问题变为
对偶上升迭代更新为
交替方向乘子法
将原问题推广到多个参数的情形下
其中\(x\in\mathbb{R}^n,z\in\mathbb{R}^m,c\in\mathbb{R}^p,A\in\mathbb{R}^{p\times n},B\in\mathbb{R}^{p\times m}\).
其拉格朗日函数可以写为
其更新迭代形式为
其中\(\rho>0\).