理解ADMM, ALF和Split Bregman

本文主要是介绍理解ADMM, ALF和Split Bregman，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

引言

在图像去模糊，低光照图像增强和去噪等任务时，我们都会引入各种先验或约束项来缓解这些t逆问题（inverse problems）的病态性（ill-posedness）。比如，我们会用$L_2$, $L_1$等约束图像的光滑性，或者梯度的稀疏性。在贝叶斯框架，如最大后验估计（MAP）, 变分法（variational method）,求解这些问题都需要相关的优化算法。在很多文章中都会说，我用了啥方法求解，对于我这个优化理论的小白来说，实在是一头雾水。我本来打算系统地学习优化理论，但是我发现，等自己什么都了解一下再去做科研黄花菜都凉了。且不说都学不学得会，就算学会了也不一定都能用到。于是我决定不再做一个“仓鼠”, 总是收藏各种资源。我要把在解决具体问题过程中遇到的相关算法吃透。

以下介绍ADMM, ALF和Split Bergman，算作一个知识输出。一方面有利于自己组织知识结构，另一方面也希望可以给同行做点微不足道的贡献。

Alternating Direction Method of Multipliers

ADMM: 交替方向乘子法(Alternating Direction Method of Multipliers,ADMM)是求解约束问题的最优化算法框架, 通常解决的是等式优化问题。主要思路就是“各个击破，分而治之”，将一个大的全局的问题分解为几个子问题（sub-problem）：原始变量、分裂变量以及对偶变量（即拉格朗日系数，Lagrange coefficient）三种变量的交替更新^ 1。从其命名我们可以知道，“交替”是一个很重要的策略。这个算法是每个子问题就是求解一个分量，与此同时固定其他分量。整个优化就是一个大循环，大循环中有几个小循环，这些小循环就是子问题的优化过程^ 2

Augmented Lagrangian Multipliers

ALM: 在谈增广拉格朗日函数(Augmented Lagrangian Multipliers, ALM）前，我们要讲Lagrangian Multipliers，这就是高数课本中的那个拉格朗日（他来了！他来了！）函数，那时我们要求解一个目标函数$f(x,y)$的极值，另外要有一个限制条件$g(x,y)=c$。

我们那个时候是怎么做的呢？我们会构造一个新的函数$L(x,y,\lambda )=f(x,y)+\lambda (g(x,y)-c)$。值得注意的是$\lambda$就是上面所说的拉格朗日系数，也就是对偶变量。然后我们会分别对$x,y,\lambda$求偏导: $\frac{\partial L}{\partial x}=0,\frac{\partial L}{\partial y}=0,\frac{\partial L}{\partial \lambda }=0$。

对于ALM, 我们要关注的是"Augmented"，所谓“增广”，大白话就是加了东西嘛？在LF基础上, ALM加了对约束增加一个惩罚项（这是一个二次惩罚项）。这篇博文中讲，之所以加上这么一个惩罚项，是因为LF还不够“凸”（越“凸”越强，我笑了!）。引入惩罚就是把约束问题变成非约束问题^ 3（”非约束“和”凸“是等价的概念嘛？如果你有相关理论解释请留言吧！）。在另外一篇博文中分析了为什么加的是惩罚项是二次的原因:

至于为什么加的是二次惩罚项，主要因为我们求解的问题有个前提：针对于等式约束或者小于等于型不等式约束，恰能用二次惩罚项建模

在某乎中有人评论道：

Lagrange Multiplier可以看成是linear penalty，Augmented Lagrangian可以看成是linear+quadratic penalty。Augmented Lagrangian等式约束更容易被满足，即Augmented Lagrangian的收敛性更强，收敛速度也会快一些。

总而言之，针对于上面举的一个LM例子，最终的ALF表示为：

$L(x,y,\lambda )=f(x,y)+\lambda (g(x,y)-c)+\frac{\rho }{2}{\Vert g(x,y)-c\Vert }^2$

针对于这个ALF函数，ADMM的流程如下：

1. 求解$x$(同时固定$y,\lambda$)，$x^{k+1}=\underset{x}{\mathrm{argmin}}L(x,y^k,{\lambda }^k)$
2. 求解$y$(同时固定$x,\lambda$)，$y^{k+1}=\underset{y}{\mathrm{argmin}}L(x^{k+1},y,{\lambda }^k)$
3. 求解$\lambda$(上面已经得到了$x^{k+1},y^{k+1}$)，${\lambda }^{k+1}={\lambda }^k+\rho (g(x^{k+1},y^{k+1})-c)$

小结

我们针对ALM和ADMM做一个小小的总结：

• LF收敛困难，但是函数几个方向是可以分解的。
• 为提高收敛性，ALF在LF基础上引入二次惩罚项，但二次惩罚项破坏了LF的可分解特性
• ADMM就是为了解耦同时又可以保证ALF的收敛性而被提出（只是众多方法中的一种，欢迎补充）。因此有人总结道：ADMM=Augmented Lagrangian+Alternating Direction Minimization, 即ALF早就有了，ADMM只是一种交替优化的一种方式^ 4。

Splitt Bregman

Splitt Bregman: 在约束图像梯度方面，$L_1$比$L_2$更稀疏，但也更难以求解。分裂Bregman迭代算法是为了求解$L_1$正则约束的优化问题的(这篇文章谈到ADMM也可以求解$L_1$正则约束问题)。本质上与ADMM一样, 并无区别，这篇博文谈到分裂Bregman只是缩放版的ADMM（截至本文完成时，我只是一个门外汉，先蹲个坑，以后会比较两者区别）。

最后贴一个S. Boyd的论文中ADMM的Matlab代码网页，这里有许多examples.

这里还有一篇文章对S. Boyd的2011年的文章《Distributed Optimization and Statistical Learning via the Alternating Direction Method of Multipliers》翻译和总结，推荐阅读：
[1] http://joegaotao.github.io/cn/2014/02/admm

这篇关于理解ADMM, ALF和Split Bregman的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---