投影梯度法是求解带有简单约束的连续优化算法,主要是求解
投影保证了每次产生的
更多关于投影梯度的理论与算法,不妨看看何炳生教授的讲义Professor Bingsheng He。
在投影容易计算时,步长
它也是一种不动点迭代 ,也就是说下一步迭代只与当前步的迭代点有关,与其他迭代点无关:
将Anderson加速应用到该方法上,也应该会有加速的效果。
在下降步里,没有必要非梯度下降不可,将其替换为牛顿法,就得到了投影牛顿法:
;
在投影步里,选择哪种范数或距离,也应该以便于计算为准则。镜像梯度,就是以Bregman散度替换
结合两者的优点, 可以得到一种广义投影梯度法:
http://suvrit.de/papers/sksChap.pdfsuvrit.de http://citeseerx.ist.psu.edu/viewdoc/download?doi=10.1.1.56.4770&rep=rep1&type=pdfciteseerx.ist.psu.edu。