用于医学图像恢复和数据分类的单调包含问题的双惯性收缩方法
《Journal of Computational and Applied Mathematics》:Double inertial contraction method for monotone inclusion problems for medical image recovery and data classifications
【字体:
大
中
小
】
时间:2026年02月03日
来源:Journal of Computational and Applied Mathematics 2.4
编辑推荐:
庞萨科恩·顺特拉尤特|普拉西特·乔拉姆吉亚克|伊萨拉·西拉马尼拉特|姚振之
泰国巴吞他尼拉贾曼加拉理工大学科技学院数学与计算机科学系,邮编12110
**摘要**
本文提出一种惯性收缩方法,该方法引入两组惯性参数,用于解决实希尔伯特空间中的单调包含问题。该算法采用自
庞萨科恩·顺特拉尤特|普拉西特·乔拉姆吉亚克|伊萨拉·西拉马尼拉特|姚振之
泰国巴吞他尼拉贾曼加拉理工大学科技学院数学与计算机科学系,邮编12110
**摘要**
本文提出一种惯性收缩方法,该方法引入两组惯性参数,用于解决实希尔伯特空间中的单调包含问题。该算法采用自适应技术,能够在迭代过程中自动更新关键参数。在适当的参数条件下,我们证明了所提算法的弱收敛性、强收敛性以及R-线性收敛性。此外,还通过图像恢复和数据分类的数值实验,展示了该方法的有效性与实用性。
**引言**
设H为具有内积?·,·?及诱导范数‖·‖的实希尔伯特空间。我们考虑单调包含问题(MIP),即寻找H中的点p,使得0∈Fp+Gp,其中F: H→2H为集值映射,G: H→H为单值非线性映射。我们将方程(1.1)的解集记为(F+G)?1(0)。信号处理、图像恢复和机器学习等众多科学与工程领域的难题都可以用MIP(1.1)进行数学建模。此外,该问题在优化领域也具有重要作用,可作为变分不等式、平衡问题、带约束优化以及凸优化等问题的特例。正因如此,许多研究者对单调包含问题给予了极大关注,并提出了相应的理论结果与迭代方法(参见[1]–[9])。
本文关注以下模型,即所谓的凸最小化问题:minx∈H{f(x)+g(x)},其中f:H→(?∞,+∞]是适当、下半连续、凸且次可微的函数;g:H→R是凸函数且可微,其梯度?g满足利普希茨连续性。众所周知,通过令F=?f、G=?g,可将(1.2)转化为(1.1)(参见[10])。构建用于数值近似求解单调包含问题解的迭代方法是极具挑战性的研究方向。接下来,我们简要介绍一些用于求解(1.1)的迭代算法,这些算法也为我们提出新迭代方法提供了灵感。最早用于求解(1.1)的方法是前后向法(FBM)[11,12],该方法基于简单的迭代公式:{x0∈H,xk+1=(I+λF)?1(xk?λGxk),k≥1},其中λ>0为合适的步长。已有研究表明,在映射G为γ-逆强单调映射(亦称γ-共压缩映射),即对任意x,y∈H都有〈Gx?Gy,x?y〉≥γ∥Gx?Gy∥2(γ>0)的假设下,算法(1.3)生成的序列{xk}会弱收敛到(F+G)?1(0)中的某一点。需注意,映射G的逆强单调性比利普希茨连续性要求更严格,而且当映射G为逆强单调映射时,执行FBM(1.3)难度较大。为避免这一限制,曾[13]提出了所谓曾的分裂法:{x0∈H,yk=(I+λF)?1(xk?λGxk),xk+1=yk?λ(Gyk?Gxk),k≥1},其中λ∈(0, 1/L)。他还证明了,在映射G为单调且L-利普希茨连续的条件下,算法(1.5)生成的序列{xk}也会弱收敛到(F+G)?1(0)中的某一点。
张和王[14]对FBM(1.3)进行了进一步改进,他们将FBM(1.3)与投影收缩法[15]相结合,得到如下迭代算法:{x0∈H,yk=(I+λkF)?1(xk?λkGxk),xk+1=xk?γηkdk},其中γ∈(0,2),ηk:=〈xk?yk,dk〉∥dk∥2,dk:=xk?yk?λk(Gxk?Gyk),且{λk}为满足以下性质的合适步长序列:{λk}?[λmin,λmax]?(0,1/L),其中λmin、λmax>0。他们证明了,在映射G为单调且L-利普希茨连续的条件下,算法(1.6)生成的序列{xk}也会弱收敛到(F+G)?1(0)中的某一点。
另一方面,惯性方法是提升优化理论中各类算法收敛速度的重要工具(参见[16][17])。在这方面,吉巴利等人[18]提出了一种针对MIP(1.1)的快速算法。他们通过将惯性方法[17]与算法(1.6)相结合,提升了算法的收敛速度,其算法形式如下:{x?1,x0∈H,vk=xk+βk(xk?xk?1),yk=(I+λkF)?1(vk?λkGvk),xk+1=vk?γηkdk},其中γ∈(1,2),ηk:=〈vk?yk,dk〉∥dk∥2,dk:=vk?yk?λk(Gvk?Gyk),且{λk}为满足特定条件的合适步长序列。在映射G为单调且L-利普希茨连续,且惯性参数βk满足0≤βk≤β<1+8??1?2?2(1??)(其中?=2?γγ)的条件下,该算法具有弱收敛性。值得注意的是,算法[18]中步长的选择需要已知映射G的利普希茨常数L,而当G为复杂映射时,该常数的计算可能极为困难,这也是该算法在实际应用中的局限性。
2024年,谭和秦[19]对吉巴利等人[18]的算法(1.8)进行了改进,他们无需知道利普希茨常数L,即可自适应地选择步长λk。其算法形式如下:{x?1,x0∈H,vk=xk+β(xk?xk?1),yk=(I+λkF)?1(vk?λkGvk),xk+1=(1?θ)xk+θ(vk?γηkdk},其中γ∈(0,2),ηk:=〈vk?yk,dk〉∥dk∥2,dk:=vk?yk?λk(Gvk?Gyk),且{λk}为通过λk+1={min{μ∥vk?yk∥∥Gvk?Gyk∥,ξkλk+δk}(若Gvk?Gyk≠0则取此值,否则取ξkλk+δk)计算得到的合适步长序列,其中λ0>0,μ∈(0,1)。他们证明了,在满足以下条件的情况下,算法(1.10)具有弱收敛性:(a){ξk}?[1,∞)且∑k=0∞(ξk?1)<∞;(b){δk}?[0,∞)且∑k=0∞δk<∞;(c)0<θ<1+4β(1+β)?12β(1+β),其中β∈(0,1)。需注意,条件(c)中的惯性参数β和迭代参数θ均为固定值,且β不能等于1(也可参考算法(1.8))。在建立惯性方法的弱收敛定理时,许多研究者通常都会做这样的假设(参见[18][20][21][22])。上述文献促使我们提出以下问题:若使用两个惯性参数,就会产生两类惯性序列,一类为正,另一类为非正。这种设计能否提升类似[18][19]中的惯性收缩算法在解决单调包含问题时的有效性?本文旨在为此问题做出以下贡献:• 我们提出一种惯性收缩方法,该方法引入两组惯性参数,其中一组参数的取值可高达1;• 我们在适当的参数条件下,证明了该方法的弱收敛性、强收敛性以及r-线性收敛性;• 我们通过数值实验,展示了该方法在医学图像恢复和数据分类任务中的有效性。 本文其余结构如下:第2节给出用于证明主要结果的定义与初步结论;第3节阐述该方法的收敛定理;最后,第4节讨论该方法的适用性。 **预备知识** 我们用xk→x和xk?x表示当k→∞时序列{xk}分别向x强收敛和弱收敛。 **定义1** 设g: h→h为单值算子,则g具有以下性质: (i) 是l-利普希茨连续的,存在常数l>0,使得对任意x,y∈H都有∥Gx?Gy∥≤L∥x?y∥;
(ii) 是单调的,即对任意x,y∈H都有〈Gx?Gy,x?y〉≥0;
(iii) 是ρ-强单调的,即存在常数ρ>0,使得对任意x,y∈H都有〈Gx?Gy,x?y〉≥ρ∥x?y∥2。
**注1**
显然,G的强单调性比单调性要求更严格。然而,相关算法……
**提出的方法**
在本节中,我们介绍一种用于求解单调包含问题(1.1)的双惯性收缩算法。同时,我们还将给出该算法的弱收敛性、强收敛性以及线性收敛性结果。为建立收敛性结论,本节给出以下假设:
(A1) 映射F: H→2H是最大单调映射;
(A2) 映射G: H→H是单调的且L-利普希茨连续的;
(A3) 方程(1.1)的解集(F+G)?1(0)是非空的。此外,还有以下条件……
**数值实现**
本节通过若干数值示例,展示我们的算法1(双惯性收缩算法,即DIC算法)在医学图像恢复和医学数据分类任务中的性能,并将其与张-王[14,算法3.1]、吉巴利-通-文[18,算法1]以及谭-秦[19,算法3.1]等现有方法进行比较。
**结论**
总之,我们提出了一种新型的惯性收缩框架,该框架引入了两组惯性参数,并辅以自适应参数调整技术。所提算法得到了理论分析的支持,在适当条件下可保证弱收敛性、强收敛性以及R-线性收敛性。我们通过两项应用进行了数值实验,以验证该算法的实际性能:利用医学图像进行图像恢复,以及进行数据分类任务。θ<1+4β(1+β)?12β(1+β),其中β∈(0,1)。需注意,条件(c)中的惯性参数β和迭代参数θ均为固定值,且β不能等于1(也可参考算法(1.8))。在建立惯性方法的弱收敛定理时,许多研究者通常都会做这样的假设(参见[18][20][21][22])。上述文献促使我们提出以下问题:若使用两个惯性参数,就会产生两类惯性序列,一类为正,另一类为非正。这种设计能否提升类似[18][19]中的惯性收缩算法在解决单调包含问题时的有效性?本文旨在为此问题做出以下贡献:•>