Optimisation globale pour la résolution de problèmes parcimonieux en norme $l_0$
Abstract
L’approximation parcimonieuse vise à obtenir une solution approchée d’un système linéaire ayant le moins de composantes non
nulles possible. Elle peut s’exprimer sous la forme d’un problème d’optimisation bi-objectif dans lequel sont minimisées une mesure de fidélité
aux données et la « norme » $l_0$ mesurant la parcimonie. Ce problème, essentiellement combinatoire, est souvent contourné par la relaxation
convexe de la norme $l_0$ , ou par des techniques heuristiques d’exploration combinatoire partielle. Cependant, pour de nombreux problèmes
inverses, de telles approches échouent à déterminer le minimum global. Nous proposons l’optimisation globale de ces problèmes en norme $l_0$
par l’intermédiaire de programmes mixtes en nombres entiers, mêlant variables réelles et entières. Des formulations contraintes et pénalisées
sont proposées, pour différentes mesures $l_p$ de fidélité aux données. L’efficacité algorithmique de ces formulations est évaluée sur des données
simulées de déconvolution impulsionnelle. Nous montrons que la résolution exacte de tels problèmes est faisable pour des problèmes inverses de
taille raisonnable, pour lesquels les solutions classiques échouent à localiser la solution et l’exploration combinatoire serait prohibitive.
Origin | Files produced by the author(s) |
---|