1. 引言
设C、Q分别是Hilbert空间H1、H2上的非空闭凸子集,
是一个有界线性算子。所谓分裂可行性问题(Split Feasibility Problem, SFP)就是要找到一点x,满足
(1.1)
该问题是由Censor和Elfving [1] 首次在有限维Hilbert空间中提出的,且在医学、信号处理、图像重建等方面被广泛应用 [2] [3] [4] [5] 。本文中,I表示恒定算子,定义
为
其中
表示在闭凸集Q上的投影。凸函数
是可微的其梯度为
其中
是线性算子A的伴随算子。
为了解决SFP问题,很多学者提出各种各样的算法 [6] - [11] 。其中部分学者使用多重投影的方法得到求解SFP的迭代算法,但这些迭代算法需要计算矩阵的逆,矩阵逆的计算需要花费大量时间并且不容易求解,进而会影响算法的迭代效率。为了克服上述不足,Byrne [7] 首先提出了CQ算法,迭代公式为
(1.2)
其中步长
。受CQ算法的影响,Wang和Xu [12] 通过引入系数
,利用压缩算子去逼近一个非扩张算子,提出了修正的CQ算法
(1.3)
其中,
,当
满足以下条件时:
1)
;
2)
;
3)
,或者
。
证明了(1.3)式强收敛于分裂可行性问题的最优解。López等人 [13] 在CQ算法上引入新的选择步长的
方法,步长
,其中
,进而证明了具有此步长的算法(1.2)式弱收敛于SFP的解。
在此基础上又引入Halpern [14] 迭代思想,迭代公式为
(1.4)
其中,u是C的不动点,
,
,
,并证明了(1.4)式强收敛于SFP的最优解。
本文通过在CQ算法上引入改造的Halpern迭代序列和多个参数,提出了一种求解分裂可行性问题的超松弛投影算法,并在一定条件下,证明了该算法的强收敛性。
2. 预备知识
本文中假设SFP有解,设H是Hilbert空间,
表示内积,
表示对应的范数,I表示Hilbert空间上的单位算子,
表示算子T的不动点集合。
是H中的一个序列,
,
是
的子序列,“
”表示弱收敛,“
”表示强收敛。
表示
的弱收敛簇。
定义2.1 [8] 令
为非线性算子,称
F是非扩张算子,如果
F是固定非扩张算子,如果
F是
-平均算子,如果
其中
,I是单位算子,
是非扩张算子。
F是L-Lipschitz连续,其中
,如果
如果,
,则F称为L-压缩映像
定义2.2 设
是非空闭凸集,对任意
,x到C上的投影定义为:
显然,若
,则
。投影
具有下面重要的性质。
引理2.1 设
,是非空闭凸集,则对任意
,有
;
;
;
;
.
引理2.2 设
,
。其中R是实数集。则有
引理2.3 [15] 设
是Lipschitz连续,问题(1.1)的解集是非空的。当且仅当
,
时,z是问题(1.1)的解。
引理2.4 [16] 设
是
的非扩张映射。如果
是H中的一个弱收敛于
的序列,并且
强烈收敛到0,则
。
引理2.5 [16] 假设
是满足以下条件的非负实数序列
其中
,
,
满足条件
1)
,
;
2)
;
3)
,
。
则
。
引理2.6 [15] [17] 设
,
,L是
的Lipschitz常数,有
对于任何
,
是
-平均算子 [14] ,也是非扩张的。
证明:设
。
其中
是非扩张的。
3. 超松弛投影算法及其强收敛性
以下将提出一种求解分裂可行问题的超松弛投影算法,并证明其强收敛性。该算法过程如下:
算法
设C、Q分别是Hilbert空间H1,H2上的非空闭凸子集,
是一个有界线性算子。对于任意选取的初始点
,算法迭代序列为
(3.1)
其中
,
,
,
,
。
是
-压缩映射,且
。
是线性有界算子且满足
(3.2)
表示误差项,且
(3.3)
以下引理对于证明算法3.1的收敛性具有重要作用。
引理3.1 设
,
,其中
为可微凸函数
的梯度
的Lipschitz常数。设
,则有
(3.4)
证明:从引理2.6知T属于
-平均算子。因此,存在一个非扩张算子
,使得
,其中
。因此,对于任何
,由引理2.2有
引理3.2 设
,
,其中
为可微凸函数
的梯度
的Lipschitz常数。设
和
。则
是非扩张的。
证明:对于任意
。由引理2.2和引理3.1有
接下来使用引理3.1和引理3.2证明算法3.1的强收敛性。
定理3.3 假设SFP的解集S非空,(3.2),(3.3)成立,且系数
,
,
满足以下条件
;
2)
和
;
3)
和
。
则序列
(3.5)
强收敛于点
。
证明:设
,
,
,
,
。由条件3)可得
(3.6)
(3.5)可改写为
(3.7)
接下来分三个步骤来完成证明。
步骤1:证明序列
有界。
对于
,由引理2.3和引理3.1知
从而
(3.8)
因此可得,
(3.9)
由上式得
所以序列
是有界的。
步骤2:证明存在子序列
,使得
的任何弱收敛簇
点都属于S。
由(3.8)和引理2.2,可得
(3.10)
其中
。由于
(请参看(3.6)),显然
又通过步骤1知
是有界的。因此
是有界的。令
使得
。在不失一般性的前提下,假设
和
存在,由于
和
都是有界序列的。因此有
(3.11)
由于,
表明
具有收敛的子序列,也可用序列本身来表示。利用条件3),得出结论
. (3.12)
接下来,证明当
时
。假设当
时
且
,已知
有界,所以有
,M为常数,通过引理2.6和(3.12),得
(3.13)
由引理2.4知
。
步骤3:证明对于
,
。
通过设
,
来证明(3.10)满足引理2.5中的条件。显然,
和
满足条件2)。接下来证明
。
由式(3.13),有
(3.14)
由(3.14)和
可得
。随着
令
(则
),因此
从而,
(3.15)
通过将引理2.5带入(3.10),得到
,证毕。
定理3.4 假设问题(1.1)的解集S不为空,式(3.2)、(3.3)成立并且
,
,
满足以下条件
;
2)
和
;
3)
和
.
则由算法(3.1)生成的序列
强收敛于点
。
证明:令序列
,
分别由(3.1)和(3.5)产生。然后,根据定理3.3知
强收敛于问题(1.1)的解。只需证明当
时,
。
令
,
和
,其中
,
(参见(3.2))。由引理3.2可知
是非扩张的。此外,
满足
(参见(3.6))。可得
(3.16)
将条件2),(3.2),(3.3)和引理2.5应用于最后一个不等式,得到当
时
。从而由定理3.3推出结论。
4. 数值实验
以下将通过两个数值实验来验证所提出的超松弛投影算法的可行性。所有代码程序由MATLAB(R2017a)编写,在Windows 10 Inter(R) Core(TM) i5-8500 CPU @3.00GHz 3.0GHz和8GB内存的Dell电脑上运行。
例4.1 设
;
;
找一点x,使
,
。令
,
,
,
,同时取,
,
,
。在数值实验中,采用了
作为停止准则。
例4.1的数值实验结果如表1所示。在表1中,“CQ”和“OP”分别表示CQ算法和超松弛投影算法。“Iter”,“Cpu”和“
”分别表示迭代次数,以秒为单位的运行时间和最优解。
是初始值。
Table 1. Comparison between Algorithm and CQ Algorithm at Different Initial Values
表1. OP算法与CQ算法在不同初始值下的对比
例4.2 设
;
;
求
,
。取
,
,
,
,同时取,
,
,
。在数值实验中,采用了
作为停止准则。
例4.2的数值实验结果如图1所示。在图1中,“CQ”和“OP”分别表示CQ算法和超松弛投影算法。
Figure 1. Comparison of numerical experimental results between OP algorithm and CQ algorithm
图1. OP算法与CQ算法数值实验结果对比图
图1中的数值实验结果为当初始值
时的OP算法和CQ算法的迭代次数对比图。其中OP算法和CQ算法的迭代次数分别为22和283。
由以上数值实验结果可知,超松弛投影算法(OP)在处理分裂可行性问题时具有有效性,而且由对比结果可知,OP算法因其需要较少的迭代次数而优于CQ算法。
5. 结束语
本文主要研究了求解分裂可行性问题的超松弛投影算法。为了证明其强收敛性,引入了
和
这4个参数,并利用改进的Halpern迭代,构建了求解分裂可行性问题的新算法,在一定假设条件下证明了该算法的强收敛性。同时数值实验的结果也表明了所提出的OP算法的有效性。但本文算法的步长为固定步长,其取值范围的算子范数难以估计,因此结合其它方法,优化迭代步长,将是我们下一步的研究内容或方向。
基金项目
国家社科基金重大项目(20&ZD199、21&ZD200);教育部人文社科青年基金项目(20YJC820030);国家新闻出版署“智能与绿色柔板印刷”重点实验室招标课题(KLIGFP-02)。
NOTES
*通讯作者。