arXiv cs.MA· Juntao Li, Qihang Guo, Deyuan Meng·· 11 小时前AI 评分18
面向分布式 SCAD 正则化稀疏最小二乘的双层神经动力学方法
A Bilevel Neurodynamic Approach for Distributed SCAD-Regularized Sparse Least Squares
AI 导读
针对 SCAD 惩罚非光滑非凸、现有分布式神经动力学方法难以直接扩展的问题，研究者提出一种双层 PSO-神经动力学方法，可全局最优求解分布式 SCAD 正则化稀疏最小二乘。
正文 · AI 翻译
摘要：本文提出一种双层粒子群优化（PSO）-神经动力学方法，用于求解由平滑裁剪绝对偏差（SCAD）惩罚正则化的分布式稀疏最小二乘问题并达到全局最优。SCAD 惩罚是非光滑且非凸的，因此现有的分布式神经动力学方法尚未直接扩展到该问题。通过双时间尺度奇异摄动分析，本文为内部协作多智能体神经动力学系统建立了严格的全轨迹收敛理论，并给出了显式收敛速率，且不要求二阶充分条件。进一步开发了一种理论引导的内外协作优化框架，其中在外层 PSO 搜索中嵌入了红灯绿灯灵敏度机制，以增强全局搜索，同时将计算精力集中于 SCAD 形状参数，从而提高恢复精度和计算效率。在四个稀疏恢复场景上的仿真结果表明，所提方法能够准确恢复真实稀疏模式，并且与竞争神经动力学方法相比实现了更快的收敛速度和更低的相对误差。
| 学科： | 优化与控制（math.OC）；多智能体系统（cs.MA） |
| 引用为： | arXiv:2611.07618 [math.OC] |
| （或 arXiv:2611.07618v1 [math.OC] 用于此版本） | |
| https://doi.org/10.48550/arXiv.2611.07618 由 DataCite 颁发的 arXiv DOI（待注册） |
提交历史
来自：Juntao Li [查看电子邮件]
[v1]
2026年11月5日星期四 08:01:08 UTC（3,583 KB）
来源：arXiv cs.MA · arxiv.org