La Méthode de la direction alternée des multiplicateurs (ADMM) is an algorithme d'optimisation that combines the benefits of dual decomposition and augmented Lagrangian methods. It is particularly effective for large-scale d'optimisation convexe problems, especially those that can be expressed as a sum of two or more convex functions. ADMM operates by breaking down a complex problème d’optimisation en sous-problèmes plus petits et plus gérables, qui peuvent être résolus de manière itérative.
La méthode implique trois étapes principales à chaque itération : d'abord, elle met à jour une variable tout en maintenant les autres fixes ; ensuite, elle met à jour les autres variables en maintenant la première fixe ; enfin, elle applique une mise à jour duale basée sur les multiplicateurs de Lagrange associés aux contraintes du problème. Cette approche alternée permet une gestion efficace des contraintes et exploite les forces des optimisations primales et duales.
ADMM has gained popularity in various fields, including machine learning, signal processing, and reconstruction d'image, due to its ability to handle large datasets and its flexibility in incorporating constraints. The convergence properties of ADMM are well-studied, making it a reliable choice for practitioners faced with complex optimization challenges.