The Generalized Fermat-Torricelli-Weber Problem

Resumo Técnico: O Problema de Fermat-Torricelli-Weber Generalizado

Formulação do Problema
Este artigo introduz um novo problema de Fermat-Torricelli-Weber (FTW) Generalizado dentro do arcabouço de espaços de Hilbert reais. O problema é formulado como uma tarefa de minimização com restrições:
$$\min_{x \in D} \zeta(x)$$
onde $D$ é um subconjunto não vazio, fechado e convexo de um espaço de Hilbert $H$. A função objetivo $\zeta(x)$ é definida como:
$$\zeta(x) = \left\| \sum_{i=1}^{L} B_i(A_i x) - \tilde{y} \right\|_K + \sum_{i=1}^{L} \sum_{j=1}^{m_i} t_{ij} \| A_i x - P_{C_{ij}}(A_i x) \|_{H_i}$$
onde $A_i: H \to H_i$ e $B_i: H_i \to K$ são operadores lineares limitados; $C_{ij}$ são subconjuntos não vazios, fechados e convexos de $H_i$; $P_{C_{ij}}$ denota a projeção métrica sobre $C_{ij}$; $\tilde{y}$ é um elemento fixo em $K$; e $t_{ij}$ são pesos reais positivos. A função $\zeta(x)$ é não suave e convexa.

Os autores demonstram que este arcabouço generalizado abrange vários problemas existentes como casos especiais, incluindo o clássico problema de localização de Fermat-Weber, o problema de Fermat-Torricelli generalizado, o Problema de Viabilidade Dividida com múltiplos conjuntos de saída (SFP-MOS) e o Problema de Igualdade Dividida (SEP).

Metodologia
Para resolver o problema de otimização não suave, os autores desenvolvem um algoritmo de subgradiente (Algoritmo 3.1). Uma característica distintiva desta abordagem é a flexibilidade na seleção do subgradiente; o algoritmo permite a escolha de um elemento arbitrário do subdiferencial $\partial \zeta(x_n)$ em cada iteração, em vez de exigir uma regra de seleção específica.

O esquema iterativo é dado por:
$$x_{n+1} = P_D^H (x_n - \sigma_n g_n)$$
onde $g_n$ é um elemento arbitrário do subdiferencial da função objetivo, e $\sigma_n$ é uma sequência de tamanhos de passo positivos.

O artigo analisa dois regimes de convergência distintos baseados na sequência de tamanho de passo $\{\sigma_n\}$:

1. Regime de Subgradiente Padrão: Quando $\lim_{n \to \infty} \sigma_n = 0$ e $\sum \sigma_n = \infty$, os autores provam que a sequência de valores mínimos $M_n = \min_{1 \le k \le n} \zeta(x_k)$ converge para o valor ótimo. Além disso, se $\sum \sigma_n^2 < \infty$, a sequência $\{x_n\}$ contém uma subsequência que converge fracamente para uma solução. Em espaços de dimensão finita, isso implica convergência forte.
2. Regime de Tamanho de Passo Adaptativo (para MSFP-MOS): Quando o valor ótimo é conhecido como zero (como no Problema de Viabilidade Dividida Mista com múltiplos conjuntos de saída, MSFP-MOS), os autores propõem uma regra de tamanho de passo adaptativo:
   $$\sigma_n = \frac{\tau_n \zeta(x_n)}{\|g_n\|^2 + \beta_n}$$
   onde $\tau_n \in [a, b] \subset (0, 2)$ e $\{\beta_n\}$ é uma sequência positiva limitada. Sob estas condições, prova-se que a sequência $\{x_n\}$ converge fracamente para uma solução do MSFP-MOS.

Adicionalmente, o artigo introduz um método de aproximação de viscosidade (Algoritmo 4.1) envolvendo um mapeamento de contração estrita $f$. Esta variante mostra produzir convergência forte para a solução única de uma desigualdade variacional específica associada ao problema.

Principais Contribuições

• Arcabouço Unificado: O artigo estabelece um arcabouço unificado conectando o problema de FTW Generalizado com o Problema de Igualdade Dividida (SEP) e o Problema de Viabilidade Dividida com múltiplos conjuntos de saída (SFP-MOS). Tanto quanto aos autores sabem, este é o primeiro trabalho que conecta explicitamente estes problemas dentro de uma única estrutura generalizada.
• Seleção de Subgradiente Arbitrário: O algoritmo proposto permite a seleção de um elemento arbitrário do subdiferencial da função objetivo não suave, oferecendo maior flexibilidade em comparação com métodos existentes que podem exigir escolhas específicas de subgradiente.
• Análise de Convergência: Os autores estabelecem teoremas de convergência fraca e forte para os algoritmos propostos sob várias condições nos tamanhos de passo e no espaço de Hilbert subjacente (dimensão finita vs. infinita).
• Aplicação à Desfoque de Imagem (Deblurring): O arcabouço teórico é aplicado ao problema de desfoque de imagem, formulando-o como uma instância específica do problema de FTW generalizado.

Resultos e Experimentos Numéricos
Os resultados teóricos são validados através de experimentos numéricos implementados em MATLAB R2025(a).

• Dados Sintéticos: Experimentos em conjuntos convexos sintéticos e operadores lineares demonstram o comportamento de convergência dos algoritmos (rotulados como Algoritmo X, Y, Z, 5.1, 5.2, 5.3 e 5.4). Os resultados mostram que os algoritmos de tamanho de passo adaptativo geralmente convergem mais rapidamente e com menos iterações em comparação com as abordagens de tamanho de passo fixo.
• Desfoque de Imagem: O arcabouço é aplicado para restaurar imagens desfocadas (datasets Cameraman e Tire) degradadas por um kernel Gaussiano. O desempenho é medido usando a Relação Sinal-Ruído (SNR). Os resultados numéricos indicam que os algoritmos propostos recuperam as imagens com sucesso, sendo que o Algoritmo 5.2 (a variante de convergência forte) alcança valores de SNR ligeiramente superiores ao Algoritmo 5.1 nos cenários testados.

Significância e Alegações
Os autores alegam que este trabalho estende e generaliza diversas abordagens existentes na literatura. A principal significância reside na introdução de um novo modelo de problema generalizado que unifica a teoria de localização (FTW) com problemas de viabilidade dividida. Ao desenvolver um algoritmo de subgradiente que permite a seleção de subgradiente arbitrário e provar suas propriedades de convergência, o artigo fornece uma ferramenta teórica robusta para resolver problemas de otimização não suaves em espaços de Hilbert. A aplicação ao desfoque de imagem serve para demonstrar a utilidade prática do arcabouço proposto na resolução de problemas inversos do mundo real.