求解Gough–Stewart平台正运动学的Dai–Liao型黎曼共轭梯度优化方法

《EURO Journal on Computational Optimization》：Dai–Liao-type riemannian optimization for solving the Gough–Stewart platform

　　

研究人员引入了一类Dai–Liao型黎曼共轭梯度（Riemannian Conjugate Gradient, CG）方法，该类方法无需依赖通常在强凸性假设下才成立的Gauss引理即可实现全局收敛。所提出的搜索方向被证明独立于传统黎曼线搜索条件而满足充分下降性质。此外，研究人员设计了一种受信赖域技术启发的自适应最小-最大（min(max)）策略，通过有界参数 和 来调节搜索过程，确保数值稳定性。该收敛性分析的一个显著特征是它避免了将CG参数化为固定形式的常规做法，从而提供了更灵活的理论框架。

本研究聚焦于黎曼流形上光滑函数的最小化问题。黎曼优化在低秩矩阵补全、主成分分析、机器人姿态估计等应用中具有重要价值，但这类问题的约束集常构成光滑流形，使标准欧氏方法失效。共轭梯度（Conjugate Gradient, CG）方法因收敛速度快、内存需求低而成为大规模优化的重要一阶算法。欧氏空间中的Dai–Liao（DL）方法兼具理论保证与实际性能，但其在黎曼流形上的扩展仍相对不足。现有黎曼CG方法，如Fletcher–Reeves、Dai–Yuan等，通常需要强凸性假设下的Gauss引理，或要求步长满足黎曼Wolfe条件；同时，它们的收敛性分析往往将CG参数简化为固定形式，这限制了理论的通用性。此外，DL型方法本身不能确保充分下降性质，阻碍了其在流形上的直接应用。为此，研究人员提出了一类新的DL型黎曼共轭梯度方法。

研究人员首先基于Hager–Zhang（HZ）技术，结合LS与CD两种经典策略，构造了两种改进的欧氏DL型参数，命名为DLLS和DLCD，并将其嵌入黎曼CG框架，得到RDLLS和RDLCD方法。这些方法的关键在于自适应min(max)更新策略，利用有界参数调节搜索过程，使搜索方向在不依赖传统黎曼线搜索条件的情况下满足充分下降性质。收敛性分析中，研究人员直接分析算法实际采用的参数，不要求将其削减为特定表达式，从而避免了现有黎曼CG研究中的额外假设。缩放向量传输（scaled vector transport）的引入保证了传输后向量范数不增加，这是收敛性分析的重要工具。

在“5. Numerical experiments”一节中，研究人员将所提方法与RVFR、HYB1、HYB2、RHZ和SMRMIL等多种黎曼CG算法进行对比，测试问题包括低秩矩阵流形上的矩阵补全、Stiefel流形上的优化、oblique流形上的问题以及一个多目标oblique流形问题。每个示例独立执行100次，评估鲁棒性、成功率以及基于迭代次数和计算时间的性能剖面。结果显示，RDLCD在基于迭代次数的鲁棒性为80%，成功率达100%；在计算时间维度，鲁棒性为72%，成功率仍为100%，平均迭代数在27.54至198.03之间，平均计算时间在0.3054至1.2026个单位之间，全面优于对比方法。HYB2和RVFR也表现出较强竞争力，而HYB1、RDLLS和RHZ在部分问题上需要接近2000次迭代，鲁棒性较低。

在“6. Application to the Gough–Stewart platform”一节中，研究人员将正运动学问题建模为乘积流形SO(3)×R³上的非线性最小二乘问题，利用QR分解定义回缩（retraction）操作，并通过SVD投影将任意旋转矩阵初始化到SO(3)。固定随机种子1234以保证可重复性，比较了RHZ、SMRMIL、RDLLS和RDLCD四种方法。结果表明，RDLCD仅需32次迭代和0.0050秒即收敛，RDLLS需要43次迭代和0.0057秒，SMRMIL需要105次迭代但耗时0.0135秒，RHZ耗时最长，为0.0198秒。所有方法均获得可比数量级的最终目标值，最终梯度范数低于设定容差，确认收敛至非凸四次目标函数的局部极小点。最终腿长残差显示第5腿残差最大，这被归于平台几何条件的影响，而非算法性能缺陷。

讨论部分主要归结为所提方法的三个特点：不依赖Gauss引理、搜索方向天然满足充分下降性、自适应机制提升数值稳定性。更为重要的是，其收敛性证明不要求将CG参数化简为固定形式，提供了比现有黎曼CG方法更灵活的理论框架。研究结论可翻译为：研究人员开发了一类新的DL型黎曼共轭梯度方法，不依赖Gauss引理或特定强凸性假设。通过构造固有地满足充分下降性质的搜索方向，该方法无需专门的黎曼线搜索条件。所提出的自适应min(max)机制进一步增强了迭代过程的鲁棒性与稳定性。关键的是，其收敛性证明不同于传统方法，不要求将CG参数归约为特定表达式，从而区别于现有黎曼CG分析。研究人员还在Gough–Stewart平台正运动学问题上验证了方法的实际有效性，其中RDLCD方法收敛最快，而其他方法收敛较慢。