The Generalized Fermat-Torricelli-Weber Problem

Sintesi Tecnica: Il Problema di Fermat-Torricelli-Weber Generalizzato

Formulazione del Problema
Questo articolo introduce un nuovo problema di Fermat-Torricelli-Weber (FTW) generalizzato all'interno del quadro degli spazi di Hilbert reali. Il problema è formulato come un compito di minimizzazione vincolata:
$$\min_{x \in D} \zeta(x)$$
dove $D$ è un sottoinsieme non vuoto, chiuso e convesso di uno spazio di Hilbert $H$. La funzione obiettivo $\zeta(x)$ è definita come:
$$\zeta(x) = \left\| \sum_{i=1}^{L} B_i(A_i x) - \tilde{y} \right\|_K + \sum_{i=1}^{L} \sum_{j=1}^{m_i} t_{ij} \| A_i x - P_{C_{ij}}(A_i x) \|_{H_i}$$
dove $A_i: H \to H_i$ e $B_i: H_i \to K$ sono operatori lineari limitati; $C_{ij}$ sono sottoinsiemi non vuoti, chiusi e convessi di $H_i$; $P_{C_{ij}}$ denota la proiezione metrica su $C_{ij}$; $\tilde{y}$ è un elemento fissato in $K$; e $t_{ij}$ sono pesi reali positivi. La funzione $\zeta(x)$ è non regolare (non smooth) e convessa.

Gli autori dimostrano che questo quadro generalizzato comprende diversi problemi esistenti come casi particolari, tra cui il classico problema di localizzazione di Fermat-Weber, il problema di Fermat-Torricelli generalizzato, il Problema di Fattibilità Divisa con molteplici insiemi di output (SFP-MOS) e il Problema di Uguaglianza Divisa (SEP).

Metodologia
Per risolvere il problema di ottimizzazione non regolare, gli autori sviluppano un algoritmo del subgradiente (Algoritmo 3.1). Una caratteristica distintiva di questo approccio è la flessibilità nella selezione del subgradiente; l'algoritmo consente la scelta di un elemento arbitrario dal subdifferenziale $\partial \zeta(x_n)$ ad ogni iterazione, piuttosto che richiedere una regola di selezione specifica.

Lo schema iterativo è dato da:
$$x_{n+1} = P_D^H (x_n - \sigma_n g_n)$$
dove $g_n$ è un elemento arbitrario dal subdifferenziale della funzione obiettivo, e $\sigma_n$ è una successione di step size (passi) positivi.

L'articolo analizza due distinti regimi di convergenza basati sulla successione delle step size $\{\sigma_n\}$:

1. Regime del Subgradiente Standard: Quando $\lim_{n \to \infty} \sigma_n = 0$ e $\sum \sigma_n = \infty$, gli autori dimostrano che la successione dei valori minimi $M_n = \min_{1 \le k \le n} \zeta(x_k)$ converge al valore ottimale. Inoltre, se $\sum \sigma_n^2 < \infty$, la successione $\{x_n\}$ contiene una sottosuccessione che converge debolmente a una soluzione. Negli spazi a dimensione finita, ciò implica la convergenza forte.
2. Regime della Step-Size Adattiva (per MSFP-MOS): Quando il valore ottimale è noto essere zero (come nel Problema di Fattibilità Divisa Mista con molteplici insiemi di output, MSFP-MOS), gli autori propongono una regola di step-size adattiva:
   $$\sigma_n = \frac{\tau_n \zeta(x_n)}{\|g_n\|^2 + \beta_n}$$
   dove $\tau_n \in [a, b] \subset (0, 2)$ e $\{\beta_n\}$ è una successione positiva limitata. In queste condizioni, si dimostra che la successione $\{x_n\}$ converge debolmente a una soluzione del MSFP-MOS.

Inoltre, l'articolo introduce un metodo di approssimazione di viscosità (Algoritmo 4.1) che coinvolge una mappatura di contrazione stretta $f$. Questa variante è dimostrata portare alla convergenza forte verso l'unica soluzione di una specifica disuguaglianza variazionale associata al problema.

Contributi Chiave

• Quadro Unificato: L'articolo stabilisce un quadro unificato che connette il problema di FTW generalizzato con il Problema di Uguaglianza Divisa (SEP) e il Problema di Fattibilità Divisa con molteplici insiemi di output (SFP-MOS). Per quanto ne sappiano gli autori, è il primo lavoro che connette esplicitamente questi problemi all'interno di una singola struttura generalizzata.
• Selezione Arbitraria del Subgradiente: L'algoritmo proposto permette la selezione di un elemento arbitrario dal subdifferenziale della funzione obiettivo non regolare, offrendo una maggiore flessibilità rispetto ai metodi esistenti che possono richiedere scelte di subgradiente specifiche.
• Analisi della Convergenza: Gli autori stabiliscono sia teoremi di convergenza debole che forte per gli algoritmi proposti sotto varie condizioni sulle step size e sullo spazio di Hilbert sottostante (dimensione finita vs infinita).
• Applicazione alla Deblurring di Immagini: Il quadro teorico è applicato al problema di deblurring (rimozione della sfocatura) delle immagini, formulandolo come un caso specifico del problema di FTW generalizzato.

Risultati e Esperimenti Numerici
I risultati teorici sono validati attraverso esperimenti numerici implementati in MATLAB R2025(a).

• Dati Sintetici: Gli esperimenti su insiemi convessi e operatori lineari sintetici dimostrano il comportamento di convergenza degli algoritmi (etichettati come Algoritmo X, Y, Z, 5.1, 5.2, 5.3 e 5.4). I risultati mostrano che gli algoritmi con step-size adattiva generalmente convergono più velocemente e con meno iterazioni rispetto agli approcci con step-size fissa.
• Deblurring di Immagini: Il quadro viene applicato al ripristino di immagini sfocate (dataset Cameraman e Tire) degradate da un kernel Gaussiano. Le prestazioni sono misurate utilizzando il Rapporto Segnale-Rumore (SNR). I risultati numerici indicano che i processi proposti riescono a recuperare le immagini, con l'Algoritmo 5.2 (la variante a convergenza forte) che raggiunge valori di SNR leggermente superiori rispetto all'Algoritmo 5.1 negli scenari testati.

Significatività e Rivendicazioni
Gli autori affermano che questo lavoro estende e generalizza diversi approcci esistenti nella letteratura. La principale significatività risiede nell'introduzione di un nuovo modello di problema generalizzato che unifica la teoria della localizzazione (FTW) con i problemi di fattibilità divisa. Sviluppando un algoritmo del subgradiente che consente la selezione arbitraria del subgradiente e provando le sue proprietà di convergenza, l'articolo fornisce uno strumento teorico robusto per risolvere problemi di ottimizzazione non regolari negli spazi di Hilbert. L'applicazione al deblurring delle immagini serve a dimostrare l'utilità pratica del quadro proposto nella risoluzione di problemi inversi del mondo reale.