关于求解变分不等式问题的2-次梯度外梯度算法收敛性的一个补注

Yair Censor,Aviv Gibali和Simeon Reich为求解变分不等式问题提出了2-次梯度外梯度算法。关于此算法的收敛性,作者给出了部分证明,有一个问题：由算法产生的迭代点列能否收敛到变分不等式问题的一个解上,没有得到解决。此问题作为一个公开问题在文章“Extensions of Korpelevich's extragradient method for the variational inequalityproblem in Euclidean space”(Optimization,61(9)：1119-1132,2012)中被提出。在这篇简短的补注性文章中,对所提出的问题给出了答案：由算法产生的迭代点列能收敛到变分不等式问题的一个解上。给出2-次梯度外梯度算法的全局收敛性的一个完整证明,证明了从任意起始点开始,由算法产生的迭代点列都能收敛到变分不等式问题的一个解上。     

一种新的求解变分不等式的惯性双次梯度外梯度算法（英文）

当可行集为一光滑凸函数的下水平集时,文献[Optimization,2020,69(6):1237-1253]提出了一种惯性双次梯度外梯度算法来求解Hilbert空间中的单调且Lipschitz连续的变分不等式问题.该算法在每次迭代中仅需向一个半空间计算两次投影,并得到了算法的弱收敛结果.本文通过使用黏性方法以及在惯性步采用新的步长来修正该算法.在适当的假设条件下证明了新算法所生成的序列能强收敛到变分不等式的一个解.此外,新算法在每次迭代中也仅需向半空间计算两次投影.     

Banach空间上变分不等式的一个超梯度方法

把王宜举等人[Modified extragradient—type method for variational inequali—ties and verification of the existence of solutions,J.Optim.Theory Appl.,2003,119:167-183]在欧氏空间上求解变分不等式的一个超梯度型方法推广到Banach空间.变分不等式中的算子不要求是一致连续的,其主要优点在于不管变分不等式是否有解,算法都是可执行的.此外,变分不等式的可解性可以通过算法产生的序列的性态来刻画.在适当的条件下,算法产生的序列强收敛于变分不等式的一个解,这是Bregman距离意义下离初始点最近的解.本文的主要结果推广和改善了近来文献中的相应结果.     

集值混合变分不等式的一类自适应惯性投影次梯度算法

本文在实Hilbert空间上引入了一类求解集值混合变分不等式新的自适应惯性投影次梯度算法.在集值映射T为f-强伪单调或单调的条件下,我们证明了由该自适应惯性投影次梯度算法所产生的序列强收敛于集值混合变分不等式问题的的唯一解.     

一般单调变分不等式的近似邻近外梯度算法

近似邻近点算法是求解单调变分不等式的一个有效方法,该算法通过解决一系列强单调子问题,产生近似邻近点序列来逼近变分不等式的解,而外梯度算法则通过每次迭代中增加一个投影来克服一般投影算法限制太强的缺点,但它们均未能改变迭代步骤中不规则闭凸区域上投影难计算的问题.于是,本文结合外梯度算法的迭代格式,构造包含原投影区域的半空间,将投影建立在半空间上,简化了投影的求解过程,并对新的邻近点序列作相应限制,使得改进的算法具有较好的收敛性.     

凸可行问题的块迭代次梯度投影算法

本文,针对由非线性不等式系统构成的凸可行问题,提出了序列块迭代次梯度投影算法和平行块迭代次梯度投影算法.将非线性不等式系统分成若干个子系统,然后将当前迭代点在子系统各个子集上的次梯度投影的凸组合作为当前迭代点在这个子系统上的近似投影.在较弱条件下证明了两种算法的收敛性.     

一种新修正的求解变分不等式的双次梯度外梯度算法

当可行集为一光滑凸函数的下水平集时, 本文提出一种修正的双次梯度外梯度算法(MTSEGA)用于求解Hilbert空间中单调且Lipschitz连续的变分不等式. MTSEGA在每步迭代过程中仅需计算向半空间的两次投影及一次映射的值. 在与已知算法相同的假设条件下, 证明了新算法产生的序列能弱收敛到相关问题的一个解.     

无单调性集值变分不等式的一种投影算法

本文给出了求解无单调性集值变分不等式的一个新的投影算法,该算法所产生的迭代序列在Minty变分不等式解集非空且映射满足一定的连续性条件下收敛到解.对比文献[10]中的算法,本文中的算法使用了不同的线性搜索和半空间,在计算本文所引的两个数值例子时,该算法比文献[10]中的算法所需迭代步更少.     

求解伪单调变分不等式的自适应加速外梯度算法

本文改进Tseng的外梯度算法,引入了一种新的求解伪单调变分不等式的投影算法.该算法的步长是自适应的,在Lipschitz常数未知的情况下通过一个简单的计算逐步更新.结合惯性加速技巧,在算子A是伪单调且Lipschitz连续的假设下,证明了该算法所产生的序列强收敛到变分不等式的解.进行的一些数值试验表明了所提出的算法比现有的一些算法具有竞争优势.     

广义混合变分不等式的近似点-投影算法

引入了求解广义混合变分不等式的近似点-投影算法,证明了由算法所生成迭代序列强收敛于非扩张映射不动点集合与广义混合变分不等式解集合的公共元素.方法和结果是新的,且推广了这一领域内许多已知结果.