Вложение гомотета в выпуклый компакт: алгоритм и его сходимость

Обложка

Цитировать

Полный текст

Аннотация

Рассматривается задача покрытия данного выпуклого компакта гомотетичным образом другого выпуклого компакта с заданным центром гомотетии, вычисляется коэффициент гомотетии. Задача имеет старую историю и тесно связана с вопросами о чебышевском центре, задачах о транслятах и другими задачами вычислительной геометрии. Методы аппроксимации многогранниками и другие аппроксимационные методы не работают в пространстве уже умеренной размерности (более 5 на ПК). Мы предлагаем подход, основанный на применении метода проекции градиента, который гораздо слабее чувствителен к размерности, чем аппроксимационные методы. Мы выделяем классы множеств, для которых удается доказать линейную скорость сходимости градиентного метода, т. е. сходимость со скоростью геометрической прогрессии с положительным знаменателем строго меньше 1. Эти множества должны быть сильно выпуклыми и обладать в определенном смысле гладкостью границы.

Об авторах

Максим Викторович Балашов

ФГБУН «Институт проблем управления им. В. А. Трапезникова» Российской академии наук

Email: balashov73@mail.ru
доктор физико-математических наук, ведущий научный сотрудник 117997, Российская Федерация, г. Москва, ул. Профсоюзная, 65

Список литературы

  1. Л. Данцер, Б. Грюнбаум, В. Кли, Теорема Хелли и ее применения, Мир, М., 1968.
  2. M. Althoff, G. Frehse, A. Girard, “Set propagation techniques for reachability analysis”, Annual Review of Control, Robotics, and Autonomous Systems, 4:1 (2021), 369-395.
  3. Б.Т. Поляк, Введение в оптимизацию, Наука, М., 1983.
  4. М.В. Балашов, Е.С. Половинкин, “ -сильно выпуклые подмножества и их порождающие множества”, Матем. сб., 191:1 (2000), 27-64.
  5. P. Cannarsa, H. Frankowska,, “Interior sphere property of attainable sets and time optimal control problems”, ESAIM: Control, Optimisation and Calculus of Variations, 12:2 (2006), 350-370.
  6. J. Bolte, Sh. Sabach, M. Teboulle, “Proximal alternating linearized minimization for nonconvex and nonsmooth problems”, Mathematical Programming, 146:1-2 (2014), 459-494.
  7. M.V. Balashov, A.A. Tremba, “Error bound conditions and convergence of optimization methods on smooth and proximally smooth manifolds”, Optimization, 71:3 (2022), 711-735.
  8. G.E. Ivanov, V.V. Goncharov, “Strong and weak convexity of closed sets in a Hilbert space”, Operations Research, Engineering, and Cyber Security. V. 113, Springer Optimization and Its Applications, eds. N. Daras, T. Rassias, Springer International Publishing, Cham, Switzerland, 2017, 259-297.

Дополнительные файлы

Доп. файлы
Действие
1. JATS XML


Creative Commons License
Эта статья доступна по лицензии Creative Commons Attribution 4.0 International License.

Согласие на обработку персональных данных с помощью сервиса «Яндекс.Метрика»

1. Я (далее – «Пользователь» или «Субъект персональных данных»), осуществляя использование сайта https://journals.rcsi.science/ (далее – «Сайт»), подтверждая свою полную дееспособность даю согласие на обработку персональных данных с использованием средств автоматизации Оператору - федеральному государственному бюджетному учреждению «Российский центр научной информации» (РЦНИ), далее – «Оператор», расположенному по адресу: 119991, г. Москва, Ленинский просп., д.32А, со следующими условиями.

2. Категории обрабатываемых данных: файлы «cookies» (куки-файлы). Файлы «cookie» – это небольшой текстовый файл, который веб-сервер может хранить в браузере Пользователя. Данные файлы веб-сервер загружает на устройство Пользователя при посещении им Сайта. При каждом следующем посещении Пользователем Сайта «cookie» файлы отправляются на Сайт Оператора. Данные файлы позволяют Сайту распознавать устройство Пользователя. Содержимое такого файла может как относиться, так и не относиться к персональным данным, в зависимости от того, содержит ли такой файл персональные данные или содержит обезличенные технические данные.

3. Цель обработки персональных данных: анализ пользовательской активности с помощью сервиса «Яндекс.Метрика».

4. Категории субъектов персональных данных: все Пользователи Сайта, которые дали согласие на обработку файлов «cookie».

5. Способы обработки: сбор, запись, систематизация, накопление, хранение, уточнение (обновление, изменение), извлечение, использование, передача (доступ, предоставление), блокирование, удаление, уничтожение персональных данных.

6. Срок обработки и хранения: до получения от Субъекта персональных данных требования о прекращении обработки/отзыва согласия.

7. Способ отзыва: заявление об отзыве в письменном виде путём его направления на адрес электронной почты Оператора: info@rcsi.science или путем письменного обращения по юридическому адресу: 119991, г. Москва, Ленинский просп., д.32А

8. Субъект персональных данных вправе запретить своему оборудованию прием этих данных или ограничить прием этих данных. При отказе от получения таких данных или при ограничении приема данных некоторые функции Сайта могут работать некорректно. Субъект персональных данных обязуется сам настроить свое оборудование таким способом, чтобы оно обеспечивало адекватный его желаниям режим работы и уровень защиты данных файлов «cookie», Оператор не предоставляет технологических и правовых консультаций на темы подобного характера.

9. Порядок уничтожения персональных данных при достижении цели их обработки или при наступлении иных законных оснований определяется Оператором в соответствии с законодательством Российской Федерации.

10. Я согласен/согласна квалифицировать в качестве своей простой электронной подписи под настоящим Согласием и под Политикой обработки персональных данных выполнение мною следующего действия на сайте: https://journals.rcsi.science/ нажатие мною на интерфейсе с текстом: «Сайт использует сервис «Яндекс.Метрика» (который использует файлы «cookie») на элемент с текстом «Принять и продолжить».