数学 > 优化与控制
[提交于 2025年1月8日
]
标题: 具有低维子空间技术的可扩展无导数优化算法
标题: Scalable Derivative-Free Optimization Algorithms with Low-Dimensional Subspace Techniques
摘要: 我们重新引入一个无导数子空间优化框架,该框架源自作者在Ya-xiang Yuan监督下的博士论文[Z. Zhang, 关于无导数优化方法,博士论文,中国科学院,北京,2012]第5章。在每次迭代中,该框架基于近似梯度定义一个(低维)子空间,然后在此子空间中求解一个子问题以生成一个新的迭代点。我们简要描述该框架的全局收敛性和最坏情况复杂性分析,详细说明其实施方法,并展示了一些数值结果,这些结果使用仅不精确的函数值解决了维度高达10^4的问题。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.