.png){kind=icon}
返回
Memory-efficient nonsmooth dynamic optimization using adaptive randomized compression
.png){kind=icon}
PRE
AI
DOI：10.1007/s11081-025-10061-6.png)
.png){kind=icon}
.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
动态优化问题出现在许多应用中，包括流控制、全波形反演和医学成像。这些问题受到显著计算挑战的困扰。其中一项挑战——也是本文的重点——是由底层动态系统规模所引起的内存限制。具体而言，进行导数计算需要整个动态轨迹，因此必须存储或通过例如检查点技术重新计算。尽管近期研究展示了自适应随机抽样的使用以克服内存挑战，但该方法仅适用于光滑无约束问题，限制了其在非光滑正则化和约束问题中的应用。非光滑正则化和约束的加入至关重要，因为它们通常旨在保留某些物理性质或促进稀疏性。为解决这些问题，我们引入了一种信任域算法，用于最小化一个光滑非凸函数与一个非光滑凸函数之和，该算法利用随机抽样压缩动态系统轨迹，并自适应调整抽样秩以满足梯度不精确性条件。我们证明了该算法的收敛性，并展示了其在三个离散化偏微分方程约束优化应用中实现了显著的内存减少。
Keyword:
Nonsmooth optimization
Optimal control
Randomized sketching
Dynamic optimization
Compression
PDE-Constrained optimization
期刊
O
IF:
1.7
论文数:
75
被引数:
0
机构
引用论文
暂无论文信息