雍龙泉贾 伟 , 黎延海

(1. 陕西理工大学 数学与计算机科学学院, 陕西 汉中 723001；2. 陕西省工业自动化重点实验室, 陕西 汉中 723001)

广义绝对值方程是指

Ax+B|x|=b，

针对多个解的广义绝对值方程，寻找稀疏解及最小一范数解已成为当前的一个研究分支[18-19].广义绝对值方程的稀疏解即求解如下零范数优化问题

(1)

其中，‖x‖0表示向量x中非零元素个数.零范数优化是一个NP-hard问题，通常的做法是采用凸松弛技巧，把稀疏解问题L0(x)转化为如下L1(x)范数优化

(2)

L1(x)范数优化问题是一个凸优化，在一定条件下，L1(x)范数优化问题的解恰好就是原问题L0(x)的稀疏解.因此研究求解L1(x)范数优化具有重要的意义.

求解问题(2)可以采用约束优化算法、交替方向法等.笔者采用一种新型的群智能优化算法：正弦余弦算法(Sine Cosine Algorithm, 简称SCA)来寻找广义绝对值方程尽可能多的解，进而在其中选取最小一范数的解.

1 适应值函数的建立

文献[19]中给出了具有多个解的广义绝对值方程，并指出广义绝对值方程解的存在性不仅与矩阵A，B有关，与向量b也有关.针对具有多个解的广义绝对值方程，为了采用智能算法求得最小一范数解，定义智能算法的适应值函数

(3)

作为优化目标函数，当且仅当f(x)=0时，则找到广义绝对值方程的解.通过多次执行算法，就有可能找到广义绝对值方程尽可能多的解，再从中选取一范数最小的解.因此，问题的关键还是求解(3).

2 正弦余弦算法

SCA是一种新型的群智能优化算法，由澳大利亚学者 Mirjalili 于 2016 年提出[20].

SCA算法步骤：

设置参数: 种群大小N，优化问题维数D，常数a=2，迭代次数Tmax；在可行域中随机选取N个个体组成初始种群；t=1；计算当前每个个体的函数值，并记录最优个体位置P(t)；

while (t

fori= 1 toNdo

forj= 1 toDdo

根据式r1=a-at/Tmax计算r1的值；

(4)

ifr4< 0.5

；

(5)

else

；

(6)

end if

end for

end for

对每一个新的个体检验是否在可行域内；若不在可行域内则做越界处理；

计算每个个体的适应值并更新种群的最优个体位置P(t)；t=t+1；

end while

SCA算法的特点是基于正弦函数(5)和余弦函数(6)值的震荡变化来达到寻优目的.在SCA算法中，参数有r1，r2，r3，r4；r1控制算法从全局搜索到局部开发的转换，r1逐渐减小；当r1>1时，函数r1sin(r2)与r1cos(r2)值才有可能大于1或者小于-1；当r1≤1时，函数r1sin(r2)与r1cos(r2)值必在-1和1之间[21].SCA算法设计原理，当|r1sin(r2)|>1或者|r1cos(r2)|>1时，算法进行全局搜索；当|r1sin(r2)|≤1或者|r1cos(r2)|≤1时，算法进行局部开发，如图1所示.

3 改进的正弦余弦算法

SCA提出至今已经3年多，发展迅猛，更多的SCA算法见文献[22-25].参数r1线性递减，控制着算法的搜索过程.因此，对控制参数r1的改进需要进一步研究，可以进一步考虑非线性递减的函数，如抛物线函数、指数函数等来改进r1.

表1中给出了更多参数r1的表达式.图2～3给出了r1的图像.

表1 控制参数r1的表达式

4 数值算例

将2个广义绝对值方程的算例转化为无约束优化(3)，采用SCA和ISCA算法求解，程序用MatlabR2009a编写，参数设置N=30,a=2,Tmax=10 000，例1和2搜索空间为-7≤xi≤7.

例1 考虑广义绝对值方程:Ax+B|x|=b，, 其中

分别采用SCA与ISCA计算可知该问题的2个解为

其中，x(1)为最小一范数解.

2种算法都能获得该问题的最小一范数解，图3给出了2种算法的收敛性曲线.

例2 考虑广义绝对值方程:Ax+B|x|=b，其中

分别采用SCA与ISCA计算可知该问题的4个解为

其中，x(2)为最小一范数解.

2种算法都能获得该问题的最小一范数解，图4给出了优化问题目标函数的图像及2种算法的收敛性曲线.

综合图3和图4可知，相同条件下，ISCA算法收敛优于SCA.最小一范数解与稀疏解具有一定的内在关系，但是二者并不等价.已有结果表明在有限等距性质(Restricted Isometry Property, RIP)和有限等距常数(Restricted Isometry Constant, RIC)条件下，最小一范数解和稀疏解的等价性[26-27].因此,通过研究最小一范数解，可以为研究稀疏解提供一些近似结果.