新書推薦：
《
被困住的人（余华、李翊云等名家推崇的短篇大师，历时20多年创作，73个受困于生活的故事，洞见人性的幽微之处和人生的真相）
》
售價：HK$
240.9
《
灯花笑共此灯（全二册）
》
售價：HK$
76.8
《
系统家庭治疗的刻意练习
》
售價：HK$
83.5
《
2049：未来10000天的可能
》
售價：HK$
75.9
《
复利效应
》
售價：HK$
48.4
《
莫雷诺心理学：慢性焦虑（西班牙临床心理学家经典入门指南，焦虑症与恐惧症治愈手册。冲破情绪困局，揭示焦虑本质）
》
售價：HK$
54.8
《
莫雷诺心理学：克服强迫症（第5版，西班牙临床心理学家经典入门指南，强迫症的诱因、病症与治疗，收录强迫症自测表）
》
售價：HK$
54.8
《
杰出投资者的情绪管理课：揭秘巴菲特不住在华尔街的真相（德国年度财经图书奖）
》
售價：HK$
87.8
|
| 內容簡介： |
|
《凸优化的分裂收缩算法》以简明统一的方式介绍了用于求解线性约束凸优化问题的分裂收缩算法。我们以变分不等式（VI）和邻近点算法（PPA）为基本工具，构建了求解线性约束凸优化问题的分裂收缩算法统一框架。在该框架中，所有迭代算法的基本步骤包括预测和校正，分裂是指通过求解（往往有闭式解的）的凸优化子问题来实现迭代的预测;收缩指通过校正生成的新迭代点在某种矩阵范数意义下更加接近解集。统一框架既涵盖了**意义下的PPA算法、用于求解线性约束凸优化问题的增广拉格朗日乘子法（ALM）和处理两个可分离块凸优化问题的乘子交替方向法（ADMM）等耳熟能详的算法，还为多块可分离凸优化问题的求解提供了多种方法。通过掌握这一并不复杂的统一框架，者可以根据可分离凸优化问题的具体特点，自行设计预测-校正方法求解。
|
| 目錄：
|
|
目录《计算与应用数学丛书》序前言第1章 预备知识 11.1 凸集和凸函数 11.1.1 凸集 11.1.2 凸函数 21.2 凸优化和变分不等式 71.2.1 变分不等式和盲人爬山原理 71.2.2 线性约束可微凸优化问题的*优性条件 131.2.3 线性约束凸优化问题和等价的单调变分不等式 151.3 凸优化和单调变分不等式的邻近点算法 181.4 凸优化的邻近点算法及其加速方法的收敛速率 241.4.1 求解凸优化问题PPA算法的收敛速率 241.4.2 预测-校正的具有加速性质的PPA算法 27第2章 投影收缩算法和投影梯度法 332.1 投影的定义和基本性质 332.2 凸二次优化投影收缩算法带来的启示 382.2.1 求解凸二次优化问题的投影收缩算法 382.2.2 凸二次优化投影收缩算法的数值表现 402.3 自适应投影梯度收缩算法 452.4 自适应投影梯度下降算法 502.5 具有加速性质的投影梯度下降算法 56第3章 鞍点问题的原始-对偶算法 623.1 鞍点问题对应的变分不等式 623.2 不能保证收敛的原始-对偶混合梯度法 633.3 求解鞍点问题的邻近点算法 673.4 鞍点问题PPA算法的一些应用 703.5 子问题目标函数含非平凡二次项的PPA算法 74第4章 乘子交替方向法 794.1 从增广Lagrange乘子法到ADMM 794.2 ADMM的收敛性分析 844.3 线性化的ADMM904.4 ADMM及线性化ADMM的收敛性证明 954.4.1 ADMM及线性化ADMM的全局收敛性 954.4.2 ADMM点列意义下的收敛速率 964.4.3 ADMM遍历意义下的收敛速率 994.5 Glowinski交替方向法中更新乘子的步长法则 102第5章 凸优化分裂收缩算法的预测-校正统一框架 1055.1 分裂收缩算法的预测-校正统一框架 1055.1.1 统一框架中的预测 1055.1.2 统一框架中的校正 1065.2 按照统一框架修正的一些算法 1085.2.1 平凡松弛校正的算法 1085.2.2 必要非平凡校正的算法 1105.3 统一框架中的算法收敛性质 1135.3.1 采用固定步长校正的算法收敛性 1135.3.2 采用计算步长校正的算法收敛性 1155.4 统一框架下算法的迭代复杂性 1175.4.1 遍历意义下的迭代复杂性 1175.4.2 点列意义下的迭代复杂性 1205.5 合格预测确定后选取校正矩阵的通用法则 122第6章 统一框架与**单调变分不等式的投影收缩算法 1286.1 单调变分不等式及与其等价的投影方程 1286.1.1 保护资源-保障供给中的互补问题 1296.1.2 交通疏导中的互补问题 1316.1.3 与变分不等式等价的投影方程 1326.2 PPA算法和投影收缩算法的三个基本不等式 1336.3 投影收缩算法和分裂收缩算法中的预测 1356.3.1 求解**变分不等式的投影收缩算法中的预测 1356.3.2 求解混合变分不等式的分裂收缩算法中的预测 1376.4 投影收缩算法和分裂收缩算法的校正 1376.4.1 两类方法中采用固定步长的校正 1386.4.2 两类算法中计算步长的校正 1396.5 投影收缩算法中的孪生方向和姊妹方法 1426.6 单调变分不等式投影收缩算法遍历意义下的收敛速率 1466.7 投影收缩算法在求解可分离凸优化上的应用 151第7章 统一框架与单调线性变分不等式的投影收缩算法 1607.1 单调线性变分不等式及相应的优化问题 1607.2 线性变分不等式的投影收缩算法和算法统一框架 1667.3 求解线性变分不等式的孪生方向和姊妹方法 1717.4 线性变分不等式投影收缩算法的收敛速率 1757.5 孪生方向姊妹方法在*短距离和问题中的计算表现 180第8章 统一框架下求解鞍点问题的收缩算法 1858.1 修正Chambolle-Pock算法的预测-校正方法 1868.2 基于C-P方法的自适应预测-校正方法 1938.3 采用平行预测的预测-校正方法 2008.4 子问题目标函数中含非平凡二次项的PPA算法 2038.5 求解鞍点问题的投影收缩算法 206第9章 统一框架下求解单块凸优化问题的收缩算法 2109.1 从增广Lagrange乘子法到PPA算法 2109.2 非平凡校正的ALM类算法 2129.3 平凡松弛校正的PPA算法 2179.4 均困平衡的增广Lagrange乘子法 2209.5 非平凡校正的均困ALM 2239.6 平凡松弛校正的均困PPA算法 2269.7 平行处理预测子问题的均困方法 229第10章 统一框架下两可分离块凸优化问题的ADMM类方法 23210.1 **ADMM在统一框架中的演译 23310.2 交换顺序的ADMM 23910.3 对称的ADMM 24210.4 利用统一框架设计的PPA算法 24710.5 线性化ADMM和自适应线性化ADMM 24910.5.1 线性化ADMM在统一框架下的演译 24910.5.2 自适应的线性化ADMM 25110.6 统一框架下计算步长的线性化ADMM 25510.7 利用统一框架设计的均困PPA算法 260第11章 三个可分离块凸优化问题的修正ADMM类方法 26411.1 直接推广的ADMM对三个可分离块问题不保证收敛 26411.2 部分平行分裂的ADMM预测-校正方法 26911.3 带Gauss回代的ADMM类方法 27511.4 线性化的带Gauss回代的ADMM类方法 28311.5 部分平行并加正则项的ADMM类方法 28811.6 利用统一框架设计的PPA算法 291第12章 线性化ALM和ADMM中的不定正则化准则 29412.1 不定正则化方法的意义和两个引理 29412.2 等式约束优化问题的不定正则化 ALM 29812.2.1 不定正则化方法 ALM 的变分不等式表示 29812.2.2 不定正则化方法 ALM 的收敛性证明 30012.3 不等式约束问题的不定正则化 ALM 30312.3.1 不定正则化方法 ALM 的预测-校正格式 30512.3.2 不定正则化 ALM 的收敛性证明 30812.4 不定正则的*优线性化ADMM 31312.4.1 不定正则化方法ADMM的预测-校正格式 31512.4.2 不定正则化ADMM的收敛性证明 31812.5 不定正则化ADMM类方法求解三个可分离块问题 322第13章 多个可分离块凸优化问题的ADMM类方法 32713.1 带Gauss回代的ADMM类方法 32913.2 线性化的带Gauss回代的ADMM类方法 33713.3 子问题平行正则化的ADMM类方法 34113.4 利用统一框架设计的PPA算法 347第14章 平行预测的求解多块问题的方法 35014.1 平行预测不加正则项的方法 35114.1.1 方法转换成统一框架下的模式 35214.1.2 基于同一预测的其他校正方法 35614.2 平行预测加正则项的方法 35814.2.1 采用统一框架中计算步长的校正方法 35914.2.2 采用统一框架中单位步长的校正方法 36114.3 Jacobi预测的PPA算法 36514.4 均困平衡的PPA算法 368第15章 求解多块可分离问题的广义秩一预测-校正方法 37315.1 变分不等式变量代换下的预测-校正框架 37415.2 多块可分离问题的串行预测 37815.3 基于Primal-Dual预测构造校正矩阵 38515.4 基于Dual-Primal预测构造校正矩阵 38815.5 统一框架中的串行预测和广义秩一校正 391第16章 求解多块可分离问题的广义秩二预测-校正方法 39416.1 用统一框架指导设计方法 39416.2 根据统一框架设计串型预测 39516.2.1 Primal-Dual预测后再校正的方法 39516.2.2 Dual-Primal预测后再校正的方法 40016.3 根据统一框架设计平行预测的方法 404第17章 预测-校正的广义PPA算法 41017.1 变分不等式**算法的两个主要性质 41017.2 预测-校正的广义PPA算法.41217.3 变量替换下的广义PPA算法 41417.4 基于秩一预测的广义PPA算法 41617.4.1 Primal-Dual预测的广义PPA算法 41717.4.2 Dual-Primal预测的广义PPA算法 41917.5 基于秩二预测的广义PPA算法 42117.5.1 Primal-Dual预测的广义PPA算法 42217.5.2 Dual-Primal预测的广义PPA算法 42517.6 平行秩二预测的广义PPA算法 427后记 429参考文献 434《计算与应用数学丛书》已出版书目 442
|
|
購物車/收銀台(0) | 在線留言板
| 付款方式
| 運費計算
| 聯絡我們
| 幫助中心 |
加入書簽
HOME
新書上架
