最优传输和Wasserstein GANs理解

最新推荐文章于 2024-12-07 22:20:18 发布

寻优探胜

最新推荐文章于 2024-12-07 22:20:18 发布

阅读量3.8k

点赞数 3

CC 4.0 BY-SA版权

分类专栏：最优传输文章标签：最优传输机器学习 wGAN 深度学习优化

本文链接：https://blog.csdn.net/weixin_44340732/article/details/88214042

最优传输问题

考虑一个网络零售商(卖电子阅读器的)，在 $N$ 个地区各有一个存储仓库。现在有K个顾客要订购电子书阅读器。假设第 $n$ 个仓库 $x_{n}$ 含有 $m_{n}$ 个阅读器，而第 $k$ 个顾客 $y_{k}$ 要订购 $h_{k}$ 个阅读器( $n$ 和 $k$ 分别是 $1$ 到 $N$ 和 $1$ 到 $K$ 之间的任意值)。传输代价 $c (x, y)$ 是仓库 $x$ 和顾客 $y$ 之间的距离。最优传输问题就是寻找讲 $N$ 个仓库里的所有阅读器运送到所有 $K$ 个顾客所在位置的最廉价的运送方式。这种运送方式可以用一个 $N×KN\times K$ 矩阵 $Γ\Gamma$ 来表示，其中 $Γnk\Gamma_{nk}$ 个元素表示从第 $n$ 个仓库运送到第 $k$ 个顾客手中的阅读器的数量。另外，每个仓库运出阅读器的数量必须和该仓库所拥有的阅读器的数量相等，同样的，每个顾客收到的阅读器的数量也必须和该顾客订购的阅读器的数量相等。这个限制条件可以用如下两个公式来表示，
$∑kΓnk=mn\sum\limits_{k}\Gamma_{nk}=m_{n}$
$∑nΓnk=hk\sum\limits_{n}\Gamma_{nk}=h_{k}$
此外，矩阵 $Γ\Gamma$ 的每一个元素必须是非负的。

最优传输方案 $T^\hat{T}$ 就是在上述限制条件下使得总的传输代价最小的传输矩阵，即
$T^=argminΓ∑n,kΓnkc(xn,yk)\hat{T}=argmin_{\Gamma}\sum\limits_{n,k}\Gamma_{nk}c(x_{n},y_{k})$
在上式中，我们是假设传输 $L$ 个阅读器从 $x_{n}$ 到 $y_{k}$ 的代价是传输一个阅读器的 $L$ 倍。然而，在大部分的现实问题中，这种假设一般是不成立的，这里只是为了分析方便。