机构名称：
¥ 2.0
摘要非convex优化的主要挑战是找到一个全局最佳的挑战，或者至少要避免“不良”本地最小值和毫无意义的固定点。我们在这里研究算法与优化模型和正则化相反的程度可以调整以实现这一目标。我们认为的模型是许多局部最小值的非概念，不一致的可行性问题，在这些点上，这些点之间的差距在这些点的附近最小。我们比较的算法都是基于投影的算法，特别是环状投影，环状放松的Douglas-Rachford算法以及放松的Douglas-Rachford在产品空间上分开的。这些算法的局部收敛和固定点已经在详尽的理论研究中表征。我们在轨道分辨光子发射光谱（ARPES）测量的轨道层析成像的背景下演示了这些算法的理论，这些理论都是合成生成和实验性的。我们的结果表明，虽然循环投影和循环恢复了Douglas-Rachford算法通常会汇聚最快，但重新使用Douglas-Rachford在产品空间上划分的方法确实从其他两个算法的不良本地算法中移开，最终从其他两个算法中掌握了当地最小值的群库，与全球范围的群体相关点，以确定了与全球范围相对应的群体的关键点。
算法方法避免了不一致的可行性中的局部最小值
主要关键词
相关文件推荐
