20、多极值优化问题的并行降维方法

多极值优化问题的并行降维方法

1. 引言

多极值优化问题旨在寻找多极值函数的全局最优解，这类问题是复杂的决策模型，在工程、经济、科学研究等诸多领域都有重要应用。其复杂度在很大程度上取决于问题的维度，一般来说，随着维度增加，以目标函数评估次数衡量的计算成本呈指数级增长。

目前，分析全局优化问题有多种方法，主要针对不同特性的多极值函数。其中，对于满足 Lipschitz 条件的目标函数，有两种生成高效算法的途径：
- 基于不同分区方案的组件方法 ：将搜索区域划分为多个子区域（组件），对每个组件进行数值评估以确定其继续搜索的效率，然后在最有“前景”的子区域进行新的迭代。
- 将多维问题转化为单变量子问题的方法 ：包括基于 Peano 空间填充曲线的方案和递归嵌套优化方案。前者是将多维超立方体连续映射到实轴的单位区间；后者则是将多维问题递归地转化为一系列单变量子问题。

此外，并行化顺序优化算法是克服多极值优化问题复杂性的有效途径。一些优化方法已经提出，常见的是并行进行试验（计算目标函数值），也有在并行分支定界算法中对可行域分区过程进行并行化。而基于嵌套优化方案的方法则通过并行执行内部子任务来实现并行化。本文主要研究一种基于自适应全局优化方案的并行算法，旨在实现“按子任务并行化”，并评估其相对于顺序方案的加速效果。

2. 嵌套优化方案

要考虑的优化问题是在 N 维欧几里得空间 $R^N$ 的超平行六面体 $H$ 中，找到目标函数 $F(u)$ 的最小值 $F^ $ 及其对应的坐标 $u^ $。该问题可表示为：
[