Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Numerical Algorithms
Erschienen in: Numerical Algorithms 4/2020

22.05.2019 | Original Paper

Convergence analysis of positive-indefinite proximal ADMM with a Glowinski’s relaxation factor

verfasst von: Jiawei Chen, Yiyun Wang, Hongjin He, Yibing Lv

Erschienen in: Numerical Algorithms | Ausgabe 4/2020

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

In this paper, we propose a modified positive-indefinite proximal linearized ADMM (PIPL-ADMM) with a larger Glowinski’s relaxation factor for solving two-block linearly constrained separable convex programming by variational inequality technique. We investigate the internal relationships between the step size coefficient and the penalty coefficient to identify the convergence of PIPL-ADMM. The convergence of PIPL-ADMM and its convergence rate measured by the iteration complexity are established in the ergodic case. Numerical experiments are reported to illustrate the efficiency of the proposed methods.
Vorheriger Artikel A new algorithm that generates the image of the attractor of a generalized iterated function system
Nächster Artikel A coercive heterogeneous media Helmholtz model: formulation, wavenumber-explicit analysis, and preconditioned high-order FEM

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren
Literatur
1.
Boyd, S., Parikh, N., Chu, E., Peleato, B., Eckstein, J.: Distributed optimization and statistical learning via the alternating direction method of multipliers. Found. Trends Mach. Learn. 3, 1–122 (2011)MATHCrossRef
2.
Chan, R.H., Yang, J.F., Yuan, X.M.: Alternating direction method for image inpainting in wavelet domains. SIAM J. Imag. Sci. 4(3), 807–826 (2011)MathSciNetMATHCrossRef
3.
Chang, T.H., Liao, W.C., Hong, M.Y., Wang, X.F.: Asynchronous distributed ADMM for large-scale optimization-Part II: Linear convergence analysis and numerical performance. IEEE Trans. Signal Process. 64(12), 3131–3144 (2016)MathSciNetMATHCrossRef
4.
Donoho, D.L., Tsaig, Y.: Fast solution of l1-norm minimization problems when the solution may be sparse. IEEE Trans. Inform. Theory 54, 4789–4812 (2008)MathSciNetMATHCrossRef
5.
Fortin, M., Glowinski, R.: Augmented Lagrangian Methods: Applications to the Numerical Solution of Boundary-Value Problems, Sole distributors for the U.S.A. and Canada, Elsevier Science Pub. Co (1983)
6.
Gabay, D., Mercier, B.: A dual algorithm for the solution of nonlinear variational problems via finite element approximation. Comput. Math. Appl. 2, 17–40 (1976)MATHCrossRef
7.
Glowinski, R., Marrocco, A.: Sur l’approximation, paréléments finis d’ordre un, et la résolution, par pénalisation-dualité d’une classe de problèmes de Dirichlet nonlinéaires, Revue fancaise d’atomatique, Informatique Recherche opérationelle. Anal. Numŕ. 9(2), 41–76 (1975)
8.
Han, D., Yuan, X.M.: A note on the alternating direction method of multipliers. J. Optim. Theory Appl. 155(1), 227–238 (2012)MathSciNetMATHCrossRef
9.
Han, D., Yuan, X.M., Zhang, W., Cai, X.: An ADM-based splitting method for separable convex programming. Comput. Optim. Appl. 54(2), 343–369 (2013)MathSciNetMATHCrossRef
10.
He, B.S., Liao, L.Z., Han, D., Yang, H.: A new inexact alternating directions method for monotone variational inequalities. Math. Program. 92, 103–118 (2002)MathSciNetMATHCrossRef
11.
He, B.S., Yuan, X.M.: On the O(1/n) convergence rate of the Douglas-Rachford alternating direction method. SIAM J. Numer. Anal. 50(2), 700–709 (2012)MathSciNetMATHCrossRef
12.
He, B.S., Liu, H., Wang, Z.R., Yuan, X.M.: A strictly contractive Peaceman-Rachford splitting method for convex programming. SIAM J. Optim. 24 (3), 1011–1040 (2014)MathSciNetMATHCrossRef
13.
14.
15.
16.
Huai, K., Ni, M., Yu, Z., Zheng, X., Ma, F.: A generalized inexact Uzawa method for stable principal component pursuit problem with nonnegative constraints. Numer. Algorith. 77(3), 653–674 (2018)MathSciNetMATHCrossRef
17.
Lin, Z., Liu, R., Li, H.: Linearized alternating direction method with parallel splitting and adaptive penalty for separable convex programs in machine learning. Mach. Learn. 99(2), 287–325 (2015)MathSciNetMATHCrossRef
18.
Monteiro, R.D.C., Svaiter, B.F.: Iteration-complexity of block-decomposition algorithms and the alternatinng direction method of multipliers. SIAM. J. Optim. 23(1), 475–507 (2013)MathSciNetMATHCrossRef
19.
Ng, M.K., Weiss, P., Yuan, X.M.: Solving constrained total-variation image restoration and reconstruction problems via alternating direction methods. SIAM. J. Sci. Comput. 32(5), 2710–2736 (2010)MathSciNetMATHCrossRef
20.
21.
Powell, M.J.D.: A method for nonlinear constraints in minimization problems. In: Fletcher, R. (ed.) Optimization, pp 283–298. Academic Press (1969)
22.
Rockfellar, R.T.: Augmented Lagrangians and applications of the proximal point algorithm in convex programming. Math. Oper Res. 1(2), 97–116 (1976)MathSciNetCrossRef
23.
24.
Wang, Y., Yang, J.F., Yin, W., Zhang, Y.: A new alternating minimization algorithm for total variation image reconstruction. SIAM J. Imag. Sci. 1(3), 248–272 (2008)MathSciNetMATHCrossRef
25.
Xia, F.Q., Huang, N.J.: A projection-proximal point algorithm for solving generalized variational inequalities. J. Optim. Theory Appl. 150, 98–117 (2011)MathSciNetMATHCrossRef
26.
Xie, W.S., Yang, Y.F., Zhou, B.: An ADMM algorithm for second-order TV-based MR image reconstruction. Numer. Algorith. 67(4), 827–843 (2014)MathSciNetMATHCrossRef
27.
Yang, J.F., Yuan, X.M.: Linearized augmented Lagrangian and alternating direction methods for nuclear norm minimization. Math. Comp. 82, 301–329 (2013)MathSciNetMATHCrossRef
28.
Yang, J.F., Zhang, Y., Yin, W.: A fast alternating direction method for TVL1-l2 signal reconstruction from partial Fourier data. IEEE J. Sel. Top. Signal Process. 4(2), 288–297 (2010)CrossRef
29.
Zhang, L., Fang, C., Chen, S.: An inertial subgradient-type method for solving single-valued variational inequalities and fixed point problems. Numer. Algorith. 79 (3), 941–956 (2018)MathSciNetMATHCrossRef
30.
Zhang, X.Q., Burger, M., Osher, S.: A unified primal-dual algorithm framework based on Bergman iteration. J. Sci. Comput. 46, 20–46 (2010)MATHCrossRef
Metadaten
Titel
Convergence analysis of positive-indefinite proximal ADMM with a Glowinski’s relaxation factor
verfasst von
Jiawei Chen
Yiyun Wang
Hongjin He
Yibing Lv
Publikationsdatum
22.05.2019
Verlag
Springer US
Erschienen in
Numerical Algorithms / Ausgabe 4/2020
Print ISSN: 1017-1398
Elektronische ISSN: 1572-9265
DOI
https://doi.org/10.1007/s11075-019-00731-9

Weitere Artikel der Ausgabe 4/2020

Numerical Algorithms 4/2020 Zur Ausgabe

Original Paper

Stationary distribution of the stochastic theta method for nonlinear stochastic differential equations

Original Paper

A new algorithm that generates the image of the attractor of a generalized iterated function system

Original Paper

A derivative-free conjugate residual method using secant condition for general large-scale nonlinear equations

Original Paper

Strong convergence of an extragradient-like algorithm involving pseudo-monotone mappings

Original Paper

Computational science in the eighteenth century. Test cases for the methods of Newton, Raphson, and Halley: 1685 to 1745

Original Paper

Landweber iterative method for identifying the initial value problem of the time-space fractional diffusion-wave equation