In this thesis we analyse a consensus-based optimization (CBO) method for non-convex optimization problems constrained on hypersurfaces. The method is called KV-CBO as it is based on the Kuramoto and Vicsek models. We investigate the well-posedness, the mean-field equation and convergence to the global minimizer. We discuss implementation aspects and numerical experiments for common benchmark functions and real world problems: robust PCA, phase-retrieval, and reconstruction of neural nets.
Übersetzte Kurzfassung:
In dieser Dissertation analysieren wir eine konsensbasierte Optimierungsmethode (CBO) für nicht-konvexe Kostenfunktionen auf Hyperflächen. Die Methode heißt KV-CBO. Wir untersuchen die Korrektgestelltheit, die mean-field Gleichung und die Konvergenz zum globalen Minimum. Wir behandeln die Implementierung und numerische Experimente für bekannte Benchmarkfunktionen und konkrete Anwendungen: robustes PCA, phase-retrieval, und das Rekonstruieren von neuronalen Netzen.