一类非光滑优化问题的邻近交替方向法

非光滑优化问题在现实生活中有着广泛应用.针对一类带有结构特征为两个连续凸函数与具有Lipschitz梯度的二次可微函数的和的无约束非光滑非凸优化问题,给出了一种邻近交替方向法,称之为二次上界逼近算法.该算法结合交替方向法与邻近点算法的思想,将上述优化问题转化为平行的子问题.在求解子问题的过程中,对目标函数中的光滑部分线性化,此时子问题被转化为凸优化问题.然后分别对两个凸优化子问题交替利用邻近点算法求解.基于以上思想,首先我们给出算法的伪代码,然后建立了算法收敛性的充分条件,最后证明在该条件下,算法产生迭代序列的每个极限点是原问题的临界点.     

求解非光滑复合约束优化问题的再分配束方法

针对一类特殊的复合约束优化问题提出了再分配型束方法,其中目标函数和约束函数为具有lower-C~2性质的函数.利用改善函数,原约束问题可以被转化为无约束问题,并且新的目标函数也具有lower-C~2性质.再利用lower-C~2函数的性质,引入了凸化参数来改善子问题目标函数的凸性,并设计了相应的束方法.给出了原问题和新问题最优点的关系,并简单地给出了参数稳定性结论和算法的局部收敛性结论.通过对H_2/H_∞综合问题的分析,利用提出的算法计算了最优的H_2/H_∞动态控制器,表明了算法的有效性.     

一类非凸非光滑优化问题的近似uv-分解方法

uv-分解理论是侧重于非光滑函数的光滑信息来研究凸函数的二阶近似,从而得到凸优化问题有效算法的一种新方法.应用uv-分解理论研究一类非光滑优化问题,此问题作为许多随机优化问题的子问题,它的求解方法对处理随机优化问题有重要作用.将所研究的问题适当地转化为一类由两个非光滑函数的和的无约束优化问题,由于无法直接利用uv-分解理论,所以借助其中一个函数的光滑凸近似,得到了目标函数的近似函数.应用uv-分解理论给出该函数的U-lagrangian函数及其基本性质,目标函数的二阶近似,进而给出了求解原问题的近似uv-分解算法以及算法的收敛性证明.     

无罚函数无滤子的非单调无二次规划方法

提出了求解光滑不等式约束最优化问题的非单调无罚函数无滤子的无二次规划非可行域方法.通过乘子和非线性互补函数,构造一个等价于原约束问题1阶最优条件的非光滑方程组.在此基础上,通过牛顿-拟牛顿迭代得到满足1阶最优条件的解,在迭代中采用了无罚函数无滤子的非单调线搜索方法以避免罚函数的选取和滤子的存储,使得目标函数或者约束违反度函数具有充分的非单调下降,试探步更易于接受.算法不要求迭代点和初始点严格可行.该算法是可实现的,具有全局收敛性.另外,在较弱条件下可以证明该方法具有超线性收敛性.     

一种求解非光滑无约束凸规划的混合束方法

首先介绍了一种常用的束方法——迫近束方法.通过在迫近束方法子问题的约束集合中增加信赖域约束,将信赖域思想与迫近束方法相结合,给出一种新型束方法的混合子问题,该子问题可使迫近与信赖域束方法思想有规律的进行切换.然后考虑一种迫近参数更新策略,在迭代过程中根据实际下降与预测下降的接近程度更新迫近参数.将迫近参数更新策略与混合束方法有机结合,给出一种新型求解非光滑无约束凸规划混合束方法.     

Perry-Shanno无记忆拟牛顿方法在非单调搜索下的收敛性

将Perry-Shanno无记忆拟牛顿方法与一类非单调搜索相结合,给出了一类求解无约束最优化问题的新算法.在目标函数为凸的条件下,证明了该算法的全局收敛性.     

一般凸规划的近似非精确数据交替线性化方法

用非精确交替线性化方法求解一类一般凸规划问题(OCP).首先通过对应的扰动双函数的定义将约束(OCP)问题转化为形式为2个凸函数和的无约束极小化问题,然后用非精确数据定义线性化模型进而构造出两个强凸子问题,通过交替求解,经过有限多次迭代后所得的解收敛到原目标函数的迫近点.     

带非欧氏范数的双稳定束方法

针对一类非光滑凸优化问题,提出一个带非欧氏范数的双稳定束方法.通过利用邻近函数代替传统的欧氏距离,形成更具广泛性的双稳定子问题,进而在计算上可充分利用可行集的几何结构,加快收敛速度、减少计算量.分析论证了算法的全局收敛性,当下降步有限时,最后一个稳定中心即为问题的最优解;当下降步无限时,稳定中心点列任意的聚点均为问题的最优解.该方法将传统邻近束方法和水平束方法的稳定性有机融合,从而具备更优越的理论性质和更稳定的数值效果.     

基于非单调线搜索的无记忆拟牛顿法的全局收敛性

文章就Perry_Shanno无记忆拟牛顿法在无约束最优化问题上,对采用非单调线搜索的情况下是否具有全局收敛性进行了研究.在目标函数为凸的条件下,证明了该算法的全局收敛性.     

非光滑约束优化的改进水平束方法

为求解一类非光滑约束凸优化问题,提出了基于Bregman距离的水平束方法,将传统欧氏距离推广到广义Bregman距离,从而可充分利用可行集的几何结构,提升计算效率。该方法利用多面体模型近似原问题的目标函数和约束函数,并引入改进函数作为最优性判别函数。最后证明了算法的全局收敛性并分析了迭代复杂度。