应用于异常事件检测的深度交替方向乘子法网络

针对大规模无线传感器网络(WSN)中的事件检测问题(EDP),传统的方法通常依赖先验信息,阻碍了实际应用。该文为EDP提出了一种基于深度学习的算法,称为交替方向乘子法网络(ADMM-Net)。首先,采用低秩稀疏矩阵分解来建模事件的时空相关性。之后,EDP被表述为一个带约束的优化问题并用交替方向乘子法(ADMM)求解。然而,优化算法收敛慢且算法的性能依赖于对先验参数的仔细选择。该文基于深度学习中“展开”的概念,提出了一种用于EDP的深度神经网络ADMM-Net。通过“展开”ADMM算法的方式得到。ADMM-Net具有固定层数,其参数可以通过监督学习训练获得。无需先验信息。相比于传统算法,提出的ADMM-Net收敛快且不需先验信息。人造数据集和真实数据集的仿真结果验证了ADMM-Net的有效性。

深度特征目标感知交替方向乘子法优化多指标更新相关滤波跟踪算法

空间正则化相关滤波算法跟踪过程中仅采用手工特征表征目标,高斯-赛德尔方法训练滤波器的复杂度高,跟踪结果不可靠时仍逐帧更新模型,导致跟踪效果不佳。针对空间正则化相关滤波算法存在的问题,提出深度特征目标感知交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)优化多指标更新相关滤波跟踪算法。该算法融入预训练网络提取的深度特征,并依回归损失的梯度信息进行通道选择,增强了对目标的表征能力;采用交替方向乘子法训练相关滤波器,降低算法复杂度,提升跟踪速度;根据多指标更新方法判断是否进行模型更新,不但提升了算法运行效率,而且避免了因学习到错误信息而导致的模型腐败。实验结果表明,所提算法的成功率、精确度在数据集OTB2015上均优于其它8种对比算法,且在复杂场景下具有更强的跟踪鲁棒性。

基于等效松弛与交替方向乘子法的岸电系统优化调度

船舶在不同系泊方式下岸电系统电气参数频繁变化,同时岸电能量优化时存在目标函数非光滑、约束条件非线性、非凸等问题,通过引入辅助变量实现目标函数非光滑项的等效松弛,利用半正定规划与交替方向乘子法实现船舶在不同接线方式下的最优调度,满足安全性与经济性保障。算例仿真表明,所提方法针对船舶径向连接与多船并靠连接混合模态共存条件下均表现突出,对于异构岸电系统共存的实际应用场景具备较好的工程实用性。

具有双重松弛项的改进惯性近端交替方向乘子法在结构化非凸和非光滑问题中的应用

针对结构化的非凸非光滑优化问题,提出了一种改进的惯性近端交替方向乘子法(Modified Inertial Proximal Alternating Direction Method of Multipliers, MID-PADMM)。该问题在多个领域,包括机器学习、信号处理和经济学中具有重要应用。现有算法在处理这类问题时,往往面临收敛速度慢或无法保证收敛的挑战。为了克服这些限制,引入了一种双重松弛项,以增强算法的鲁棒性和灵活性。理论分析表明,MID-PADMM算法在适当的条件下能够实现全局收敛,并且具有O(1/k)的迭代复杂度,其中k代表迭代次数。数值实验结果表明,与现有的状态最优算法相比,MID-PADMM在多个实例中展现出更快的收敛速度和更高的求解质量。

基于改进交替方向乘子法的电-气综合能源系统优化调度

在电-气综合能源系统分布式优化调度中,非线性非凸的Weymouth方程给问题求解带来了巨大挑战。一方面,目前许多研究采用二阶锥松弛Weymouth方程,较为复杂;另一方面,主流分布式算法即交替方向乘子法(ADMM)的计算效率并不高。对此,该文提出一种精确近似的Weymouth方程线性化模型和多参数规划改进ADMM算法以解决上述两个问题。Weymouth方程线性化模型基于泰勒展开,利用一簇切线松弛Weymouth方程。特别地,增加了惩罚项以收紧松弛间隙,通过变量替换的方法减少切线的数量,并给出了一种有效的切线选取方法。对于多参数规划改进ADMM算法,其通过多参数规划得到子问题最优解的解析式。迭代过程中,若参数落在临界域内,可直接将参数代入最优解解析式获得子问题的最优解,无需求解子问题,提高了迭代速度。此外,该文还对多参数规划中难以避免的退化问题进行了处理,提升了算法的通用性。最后在两个不同规模的系统中验证了Weymouth方程线性化模型的精确性和多参数规划改进ADMM算法的高效性。

基于动态步长交替方向乘子法正则化极限学习机

为解决交替方向乘子法(alternating direction method of multipliers,ADMM)正则化极限学习机(regularized extreme learning machine,RELM)迭代收敛速度慢和迭代后期误差衰减停滞的问题,提出一种基于动态步长ADMM的正则化极限学习机,记为VAR-ADMM-RELM.该算法在ADMM算法的基础上采用动态衰减步长进行迭代,并同时使用L1和L2正则化对模型复杂度进行约束,解得具有稀疏性和鲁棒性的极限学习机输出权重.在UCI和MedMNIST数据集中对VAR-ADMM-RELM、极限学习机(extreme learning machine,ELM)、正则化极限学习机(regularized ELM,RELM)和基于ADMM的L1正则化ELM(ADMMRELM)进行拟合、分类和回归对比实验.结果表明,VAR-ADMM-RELM算法的平均分类准确率和平均回归预测精度分别比ELM算法提升了1.94%和2.49%,较标准ADMM算法可以取得3~5倍的速度提升,且对异常值干扰具有更好的鲁棒性和泛化能力,在高维度多样本的场景下建模效率逼近标准极限学习机.该方法有效提升了ADMM算法的收敛速度,取得了比主流ELM算法更加优秀的性能表现.

交替方向乘子法的矢量水听器DOA估计方案

传统的无网格压缩感知在进行波达方向(Direction of Arrival,DOA)估计时,使用凸优化工具箱(如CVX)来求解半正定规划问题(Semi-Definite Programming,SDP),所消耗的时间会随着矢量水听器阵列规模的增加,逐渐增大。为了提高算法的收敛速度,将交替方向乘子法(Alternative Direction Method of Multiplier,ADMM)应用到矢量水听器阵列的DOA估计中,考虑到海洋环境噪声,使用原子范数去噪方法(Atomic Norm Soft Thresholding,AST)来估计线谱参数,将原子范数最小化问题(Atomic Norm Minimization,ANM)转化为SDP问题,使用ADMM对SDP问题进行求解,最后使用对偶多项式估计角度。为了验证ADMM算法的性能,在不同信噪比和矢量阵元数条件下,与快速求根多重信号分类(Root-Multiple Signal Classification,ROOTMUSIC)算法和CVX进行对比仿真实验。结果表明,ADMM在保证DOA估计模型收敛性的同时,提高了算法效率。

基于交替方向乘子法的球磨机负荷分布式随机权值神经网络模型

针对传统集中式机器学习处理大规模数据存在通信开销大、算法时间和空间复杂度高等问题,基于交替方向乘子法(ADMM),提出一种球磨机负荷分布式随机权值神经网络建模方法,局部网络节点采用正则化随机权值功能连接RVFL网络,全局球磨机负荷模型参数采用分布式优化学习ADMM方法交替迭代更新求解。实验结果表明,基于ADMM-RVFL的球磨机负荷模型在计算速度和精度方面具有相对优越性。

基于改进交替方向乘子法的配电网柔性负荷分层集群调控方法

可调负荷、电动汽车等各种负荷侧资源快速发展,对其进行精准调控是目前重要的研究热点。为充分发挥配电网柔性负荷的调节能力,提出一种基于改进交替方向乘子法的配电网柔性负荷分层集群调控方法。首先,采用综合层次聚类算法对柔性负荷进行分层集群;其次,基于纳什谈判理论,将原问题分解为成本最小化和收益分配2个子问题,建立配电网柔性负荷集群调控模型;然后,引入自适应变参数加速因子,提出改进的交替方向乘子法;最后,通过模拟算例验证所提方法的有效性。结果表明,所提方法能够有效实现大规模柔性负荷接入情况下的集群调控,收敛性能较常规方法有所提高。

惯性对称交替方向乘子算法

在本文中提出一种惯性对称交替方向乘子法求解两分块凸极小化优化问题,文章中证明了所提算法收敛到原问题的最优解,最后通过数据分析,验证所提算法的有效性和优越性。

基于交替方向乘子法网络的机载雷达前视成像方法

实孔径超分辨技术已经广泛应用于雷达前视成像领域,然而其中大部分迭代求解方法往往面临参数选择困难和迭代重建耗时等问题。对此,文中提出了一种基于交替方向乘子法网络的机载雷达前视成像方法。该方法将前视成像构建为施加了稀疏约束的解卷积问题,把交替方向乘子法(ADMM)分离变量迭代求解的过程映射成一个深度神经网络,即ADMM-Net (ADMMN)。经过训练,ADMMN可以在有限的网络深度下学习最优的参数,借此提高雷达方位向的分辨率。实验结果表明,相较于传统迭代算法,ADMMN可以用更少的时间实现前视超分辨成像。

基于递阶辨识与交替方向乘子法的深度图像增强

针对主流传感器采集的深度图像存在深度信息区域缺失、噪声等图像质量问题,提出一种基于SD全局优化模型的深度图像增强算法。采用非凸函数对SD全局优化模型平滑项进行建模,使其对异常值具有较强的鲁棒性。使用基于递阶辨识(HI)的交替方向乘子法求解SD全局优化模型,将目标函数分解成多个子目标函数,并对每个子目标函数通过HI思想进行逐个求解,降低求解复杂度。实验结果表明,该算法在加快收敛速度的同时,能有效去除图像噪声及抑制深度伪影。

基于交替方向乘子法的动态经济调度分散式优化

跟踪凸优化理论最新进展,基于交替方向乘子法,提出一种动态经济调度问题的分散式优化方法,以解决集中式优化调度在智能电网下面临的诸多困难。借鉴IEC 61970标准中CIM建模思路,将电网模型解耦为设备、端子和连通点模型,使传统的网络模型转换为一个分散式的电气模型。在算法上,通过每次迭代中邻近设备间少量的消息传递,实现各设备子优化问题的并行求解。所提方法无需全局协调和同步迭代,呈现即插即用和自愈的特性;所建子优化模型的目标函数和约束均为凸,保证了算法的收敛性。几个系统的计算表明,所提方法具有极高的计算效率和良好的收敛特性,是适应未来电网发展的新思路。

基于交替方向乘子法的微电网群双层分布式调度方法

随着分布式电源的渗透率提高,微电网作为一种有效消纳方式得到了广泛发展和应用。将邻近的多个微电网互联构成微电网群系统进行协同控制和管理,能够有效提高系统的运行经济性和可靠性。提出一种基于交替方向乘子法的微电网群双层分布式调度方法。上层以微电网群系统总运行成本最小为目标,协调各微电网之间的功率交换;下层主要实现各微电网内部各可控分布式电源的优化管理。分布式求解中各微网仅需与相邻微电网传递期望交换功率信息,降低通信需求与负担,且保护各微电网隐私。算例验证了所提方法的收敛性与可行性。

采用同步型交替方向乘子法的微电网分散式动态经济调度算法

微电网中各类电源特性各异,网络通信能力不足以及对发电单元隐私保护的需求,对集中式经济调度提出了挑战。综合考虑常规发电机组的发电成本、新能源发电的弃置费用、储能装置的折旧费用及网络有功损耗,按照各发电单元和储能装置在网络中的接入位置进行分区,从而建立微网分散式动态经济调度模型。采用同步型交替方向乘子算法,每次迭代过程中相邻区域之间仅需交换电压相角信息,即可实现各区域经济调度之间并行求解,从而得到最优解。并以某实际微网为测试系统,验证了所提算法的正确性和有效性。

基于交替方向乘子法的电—气互联系统分布式协同规划

逐渐增多的燃气机组和日益发展的电转气技术使得电力、天然气系统的耦合愈加紧密,因而对电力、天然气系统的规划也需要考虑两个系统的耦合作用。目前中国的电力系统、天然气系统分属不同的投资决策主体,两个系统通常只进行部分信息交互。针对这一特点,基于交替方向乘子法构建了电—气互联系统的分布式协同规划算法。首先考虑电力系统和天然气系统的相关运行约束,建立了以燃气机组、电转气为耦合元素的电—气互联系统的集中协同规划模型;其次,采用交替方向乘子法在电力系统源、网协同规划子问题和天然气网络规划子问题的基础上,通过耦合变量的信息传递,构建了两个子问题交替迭代求解的机制。最后以修改的IEEE 39节点电力系统和比利时20节点天然气系统所构成的电—气互联系统为例,说明了所提方法的可行性和有效性。

基于交替方向乘子法的分布式双线性状态估计

提出了一种计及数据采集与监控(SCADA)系统和相量测量单元(PMU)混合量测的电力系统多区域分布式状态估计的新方法。首先假设量测模型是线性的,以扩展子区域法进行分区,所得到的扩展子区域包含了相邻区域的边界母线。然后采用广泛应用于分布式计算的交替方向乘子法(ADMM)求解,由于各子区域间仅需交换边界母线状态量信息,无需中央协调侧,因而保留了各子区域的独立性。随后基于SCADA系统和PMU混合量测的双线性模型,将传统的非线性加权最小二乘(WLS)估计转化为三阶段问题,第1、第3阶段为线性WLS估计(各子区域由ADMM分布式求解);第2阶段为一步非线性变换(各子区域可独立变换)。双线性理论与ADMM技术的结合,保证了分布式状态估计的收敛性,同时也提高了计算效率。最后,算例测试部分从多个方面论证了所述方法相比于现有方法的优越性。

杂波背景下基于交替方向乘子法的低截获频控阵MIMO雷达收发联合优化方法

针对相控阵雷达无法有效实现特定区域能量控制的问题,该文提出一种杂波环境下基于交替方向乘子法(ADMM)的频控阵MIMO(FDA-MIMO)雷达低截获(LPI)优化设计方法。该方法的优化准则是在保证目标参数估计性能的条件下,通过联合设计发射波束和接收滤波器使FDA-MIMO雷达在目标2维(距离-方位)区域上辐射的能量尽量小,即尽可能地降低雷达被截获的概率;接着利用加权求和的方法将优化准则构造成多比例分式规划(FP)和的问题;然后利用循环迭代的方法,将优化问题转化成两个子优化问题;最后基于ADMM方法消除等式约束,并通过最小化2阶2次近似优化问题获得发射波束的闭合解。此外,也分析了该方法的计算复杂度。仿真部分通过输出信干燥比(SINR)、发射和接收方向图验证了该方法的有效性。

改进交替方向乘子法求解冷水机组负荷分配群智能优化问题

群智能控制系统中的多台冷水机组负荷优化分配问题是一个多块优化问题,传统分布式方法难以获得其收敛解.文中将交替方向乘子法(ADMM)引入冷水机组负荷分配群智能优化问题中,并通过一种有效的高斯罚函数(GPF)更新策略改进了交替方向乘子法收敛特性.同时,建立了一种基于ADMM–GPF–GBS双层分布式计算框架的冷水机组负荷优化分配模型,该模型仅利用相邻节点间的局部信息传递,即可求解得出最优运行策略.最后,通过两个典型算例对比分析了所提优化方法的有效性,并在实际硬件系统中进一步对该算法进行应用与验证.结果表明,所提算法适用于群智能控制系统下的多台冷水机组系统,且具有比传统分布式算法更好的寻优能力和收敛性,可以取得显著的节能效果.

压缩感知中基于快速交替方向乘子法的l_0-正则化信号重构

该文将压缩感知(CS)中信号的重构问题归结为求解l0-正则化问题,针对l0-正则化问题求解比较困难,提出了快速交替方向乘子法(FADMM)。该算法首先将信号的稀疏域的l0-正则化问题通过变量分裂技术转化为约束优化问题;然后引入乘子函数,采用一步Gauss-Seidel思想,对优化问题中的变量极小化;为了加快算法的收敛速度,对变量进行了二次更新,并更新了乘子;最后进行反正交变换,实现对原始信号的重构。将FADMM应用于含噪声图像的重构,进行了仿真实验及对实验结果进行了分析。实验结果表明:FADMM具有更高的峰值信噪比(Peak Signal to Noise Ratio,PSNR)和更快速的收敛速度。