实例:利用原始-对偶混合梯度 (PDHG) 算法解 LASSO 问题
利用 PDHG 方法优化 LASSO 问题
并采用连续化策略,采用更大的正则化系数并随着迭代逐渐衰减至原值。
目录
构造LASSO问题
设定随机种子。
clear; seed = 97006855; ss = RandStream('mt19937ar','Seed',seed); RandStream.setGlobalStream(ss);
构造 LASSO 优化问题
生成随机的矩阵 和向量
以使得
。正则化系数
。随机迭代初始点。
m = 512; n = 1024; A = randn(m, n); u = sprandn(n, 1, 0.1); b = A * u; x0 = randn(n, 1); mu = 1e-3;
利用原始-对偶混合梯度 (PDHG) 算法求解 LASSO 问题
首先在更严格的停机准则下进行试验,将收敛时得到的历史最优函数值作为真实的最优值的参考 。
AA = A' * A; L = eigs(AA, 1); opts = struct(); opts.method = 'pdhg'; opts.verbose = 0; opts.maxit = 5000; opts.ftol = 1e-10; opts.gtol = 1e-8; opts.fol0 = 1e6; opts.gtol0 = 1e6; opts.alpha0 = 1/L; opts.opts1.cp = 1; addpath('../LASSO_con') [x, out] = LASSO_con(x0, A, b, mu, opts); f_star = min(out.fvec);
利用 PDHG 求解 LASSO 问题。
opts.verbose = 0; opts.ftol = 1e-8; opts.gtol = 1e-6; opts.maxit = 800; opts.alpha0 = 1/L; opts.opts1.cp = 0; [x, out] = LASSO_con(x0, A, b, mu, opts); data1 = (out.fvec - f_star)/f_star; k1 = length(data1);
利用 Chambolle-Pock 方法求解 LASSO 问题,利用 opts.opts1.cp 标记是否采用 Chambolle-Pock 方法。
opts.verbose = 0; opts.maxit = 800; opts.alpha0 = 1/L; opts.opts1.cp = 1; [x, out] = LASSO_con(x0, A, b, mu, opts); data2 = (out.fvec - f_star)/f_star; k2 = length(data2);
结果可视化
对每一步的目标函数值与最优函数值的相对误差进行可视化。
fig = figure; semilogy(0:k1-1, data1, '-', 'Color',[0.2 0.1 0.99], 'LineWidth',2); hold on semilogy(0:k2-1, data2, '-.','Color',[0.99 0.1 0.2], 'LineWidth',1.5); legend('PDHG','Chambolle-Pock'); ylabel('$(f(x^k) - f^*)/f^*$', 'fontsize', 14, 'interpreter', 'latex'); xlabel('迭代步'); print(fig, '-depsc','dualalg.eps');
![](demo_dualalg_01.png)
结果分析
上图展示了 PDHG 和 Chambolle-Pock 算法在 LASSO 问题上的表现。 在固定步长和采用连续化策略的情况下,算法达到了收敛。 并且注意到尽管 PDHG 在某些情况下没有收敛性保证,在这个例子上 PDHG 的速度比 Chambolle-Pock 略快。
参考页面
关于 PDHG 和 Chambolle-Pock 算法请参考页面 LASSO问题的原始-对偶混合梯度算法,LASSO 问题的连续化策略参考 LASSO 问题连续化策略。
此页面的源代码请见: demo_dualalg.m。
版权声明
此页面为《最优化:建模、算法与理论》、《最优化计算方法》配套代码。 代码作者:文再文、刘浩洋、户将,代码整理与页面制作:杨昊桐。
著作权所有 (C) 2020 文再文、刘浩洋、户将