The Generalized Fermat-Torricelli-Weber Problem

Resumen Técnico: El Problema Generalizado de Fermat-Torricelli-Weber

Formulación del Problema
Este artículo introduce un nuevo problema de Fermat-Torricelli-Weber (FTW) generalizado dentro del marco de los espacios de Hilbert reales. El problema se formula como una tarea de minimización con restricciones:
$$\min_{x \in D} \zeta(x)$$
donde $D$ es un subconjunto no vacío, cerrado y convexo de un espacio de Hilbert $H$. La función objetivo $\zeta(x)$ se define como:
$$\zeta(x) = \left\| \sum_{i=1}^{L} B_i(A_i x) - \tilde{y} \right\|_K + \sum_{i=1}^{L} \sum_{j=1}^{m_i} t_{ij} \| A_i x - P_{C_{ij}}(A_i x) \|_{H_i}$$
donde $A_i: H \to H_i$ y $B_i: H_i \to K$ son operadores lineales acotados; $C_{ij}$ son subconjuntos no vacíos, cerrados y convexos de $H_i$; $P_{C_{ij}}$ denota la proyección métrica sobre $C_{ij}$; $\tilde{y}$ es un elemento fijo en $K$; y $t_{ij}$ son pesos reales positivos. La función $\zeta(x)$ es no suave y convexa.

Los autores demuestran que este marco generalizado abarca varios problemas existentes como casos especiales, incluyendo el problema clásico de localización de Fermat-Weber, el problema de Fermat-Torricelli generalizado, el Problema de Factibilidad Dividida con múltiples conjuntos de salida (SFP-MOS) y el Problema de Igualdad Dividida (SEP).

Metodología
Para resolver el problema de optimización no suave, los autores desarrollan un algoritmo de subgradiente (Algoritmo 3.1). Una característica distintiva de este enfoque es la flexibilidad en la selección del subgradiente; el algoritmo permite la elección de un elemento arbitrario del subdiferencial $\partial \zeta(x_n)$ en cada iteración, en lugar de requerir una regla de selección específica.

El esquema iterativo es dado por:
$$x_{n+1} = P_D^H (x_n - \sigma_n g_n)$$
donde $g_n$ es un elemento arbitrario del subdiferencial de la función objetivo, y $\sigma_n$ es una secuencia de tamaños de paso positivos.

El artículo analiza dos regímenes de convergencia distintos basados en la secuencia de tamaño de paso $\{\sigma_n\}$:

1. Régimen de Subgradiente Estándar: Cuando $\lim_{n \to \infty} \sigma_n = 0$ y $\sum \sigma_n = \infty$, los autores prueban que la secuencia de valores mínimos $M_n = \min_{1 \le k \le n} \zeta(x_k)$ converge al valor óptimo. Además, si $\sum \sigma_n^2 < \infty$, la secuencia $\{x_n\}$ contiene una subsucesión que converge débilmente a una solución. En espacios de dimensión finita, esto implica convergencia fuerte.
2. Régimen de Tamaño de Paso Adaptativo (para MSFP-MOS): Cuando se sabe que el valor óptimo es cero (como en el Problema de Factibilidad Dividida Mixto con múltiples conjuntos de salida, MSFP-MOS), los autores proponen una regla de tamaño de paso adaptativo:
   $$\sigma_n = \frac{\tau_n \zeta(x_n)}{\|g_n\|^2 + \beta_n}$$
   donde $\tau_n \in [a, b] \subset (0, 2)$ y $\{\beta_n\}$ es una secuencia positiva acotada. Bajo estas condiciones, se prueba que la secuencia $\{x_n\}$ converge débilmente a una solución del MSFP-MOS.

Adicionalmente, el artículo introduce un método de aproximación de viscosidad (Algoritmo 4.1) que involucra un mapeo de contracción estricta $f$. Se demuestra que esta variante produce convergencia fuerte hacia la solución única de una desigualdad variacional específica asociada al problema.

Contribuciones Clave

• Marco Unificado: El artículo establece un marco unificado que conecta el problema de FTW generalizado con el Problema de Igualdad Dividida (SEP) y el Problema de Factibilidad Dividida con múltiples conjuntos de salida (SFP-MOS). Según el conocimiento de los autores, este es el primer trabajo que conecta explícitamente estos problemas dentro de una única estructura generalizada.
• Selección de Subgradiente Arbitrario: El algoritmo propuesto permite la selección de un elemento arbitrario del subdiferencial de la función objetivo no suave, ofreciendo mayor flexibilidad en comparación con métodos existentes que pueden requerir elecciones de subgradiente específicas.
• Análisis de Convergencia: Los autores establecen teoremas de convergencia tanto débil como fuerte para los algoritmos propuestos bajo diversas condiciones sobre los tamaños de paso y el espacio de Hilbert subyacente (dimensión finita vs. infinita).
• Aplicación a la Desenfocación de Imágenes: El marco teórico se aplica al problema de desenfoque de imágenes (image deblurring), formulándolo como una instancia específica del problema de FTW generalizado.

Resultados y Experimentos Numéricos
Los resultados teóricos son validados mediante experimentos numéricos implementados en MATLAB R2025(a).

• Datos Sintéticos: Los experimentos sobre conjuntos convexos y operadores lineales sintéticos demuestran el comportamiento de convergencia de los algoritmos (etiquetados como Algoritmo X, Y, Z, 5.1, 5.2, 5.3 y 5.4). Los resultados muestran que los algoritmos de tamaño de paso adaptativo generalmente convergen más rápido y con menos iteraciones en comparación con los enfoques de tamaño de paso fijo.
• Desenfocación de Imágenes: El marco se aplica para restaurar imágenes desenfocadas (conjuntos de datos Cameraman y Tire) degradadas por un núcleo Gaussiano. El rendimiento se mide utilizando la Relación Señal-Ruido (SNR). Los resultados numéricos indican que los algoritmos propuestos recuperan exitosamente las imágenes, donde el Algoritmo 5.2 (la variante de convergencia fuerte) logra valores de SNR ligeramente superiores al Algoritmo 5.1 en los escenarios probados.

Significancia y Reivindicaciones
Los autores afirman que este trabajo extiende y generaliza varios enfoques existentes en la literatura. La significancia primaria radica en la introducción de un nuevo modelo de problema generalizado que unifica la teoría de localización (FTW) con los problemas de factibilidad dividida. Al desarrollar un algoritmo de subgradiente que permite la selección de un subgradiente arbitrario y probar sus propiedades de convergencia, el artículo proporciona una herramienta teórica robusta para resolver problemas de optimización no suaves en espacios de Hilbert. La aplicación a la desenfoque de imágenes sirve para demostrar la utilidad práctica del marco propuesto en la resolución de problemas inversos del mundo real.