最优化方法 25：PDHG
前面的章节要么从原始问题出发，要么从对偶问题出发，通过求解近似点或者一个子优化问题进行迭代，而且推导过程中我们发现根据问题的参数特征，比如矩阵 A A A 是瘦高型的还是矮胖型的，采用对偶和原始问题的复杂度会不一样，可以选择一个更简单的。而这一节，我们将要从原始对偶问题出发来优化，什么是原始对偶问题呢？就是原始优化变量和对偶优化变量（原始函数和共轭函数）混合在一块，看下面的原理就知道了。 1. 原
相关文章
- 1. 最优化方法
- 2. 最优化方法：六、约束最优化方法
- 3. 最优化方法：五、无约束最优化方法
- 4. 20190603——最优化方法
- 5. 最优化方法--概述
- 6. 04 最优化方法
- 7. 数值最优化方法
- 8. 优化25
- 9. 最优化方法笔记1：一维无约束最优化
- 10. 最优化方法：梯度下降法
- 更多相关文章...
- • SEO - 搜索引擎优化 - 网站建设指南
- • Spring实例化Bean的三种方法 - Spring教程
- • Git可视化极简易教程 — Git GUI使用方法
- • 算法总结-广度优先算法
相关标签/搜索
每日一句
-
每一个你不满意的现在，都有一个你没有努力的曾经。
欢迎关注本站公众号,获取更多信息
相关文章
- 1. 最优化方法
- 2. 最优化方法：六、约束最优化方法
- 3. 最优化方法：五、无约束最优化方法
- 4. 20190603——最优化方法
- 5. 最优化方法--概述
- 6. 04 最优化方法
- 7. 数值最优化方法
- 8. 优化25
- 9. 最优化方法笔记1：一维无约束最优化
- 10. 最优化方法：梯度下降法