序列二次约束二次规划方法研究进展

序列二次约束二次规划(SQCQP)是求解非线性约束优化的一类新的重要方法.本文系统介绍了SQCQP方法的研究进展,并阐述了各类相应SQCQP算法的主要性质和特点.     

半无限极大极小离散化问题的一个非单调SQCQP算法

针对序列二次规划(SQP)算法在处理结构复杂、 非线性程度较大的半无限极大极小离散化问题时计算效率较低的不足, 提出一种非单调序列二次约束二次规划(SQCQP)算法, 并在适当的条件下证明算法的收敛性. 数值实验结果表明, 在离散水平为100的情形下, 非单调类SQCQP算法在减少迭代次数和计算时间等方面均优于SQP算法.     

摄动的强次可行序列二次规划算法

利用最优性与可行性衡量的凸组合提出了一个新的摄动参数更新技术,从而去掉了传统强次可行序列二次规划算法的全局收敛性分析中需要Lagrange函数近似Hesse阵正定或一致正定的较强假设。且在适当条件下,算法仍具备超线性收性。     

一个修正的强次可行SQCQP算法

提出了一个修正的强次可行序列二次约束二次规划(SQOQP)算法.通过设计一个新的矩阵修正策略,算法在全局收敛性分析中不需要假设目标函数的(近似)Hesse阵正定或一致正定.在适当条件下,算法具备超线性收敛性.     

Overton算法收敛性的一个结论

Overton 在[1]中对一般最优场址模型给出了一个具二次终端敛速的算法.但未能证明该算法的收敛性.本文在一定条件下证明了 Overton 算法具有全局收敛性.     

求解非线性加权互补问题的光滑算法

研究一个新的求解非线性加权互补问题的光滑算法.该算法利用一个带有权重的光滑函数,将非线性加权互补问题等价转化成一个光滑方程组,再利用牛顿法求解此方程组.在非奇异条件下,证明了算法具有全局和局部二次收敛性质.数值实验结果表明算法是非常有效的.     

二阶锥规划求解的新光滑牛顿算法

研究一个新的求解二阶锥规划的光滑牛顿法,算法采用一个新的价值函数,同时利用一个扰动的牛顿方程去获得搜索方向.在不需要满足严格互补的条件下,证明算法是全局和局部二次收敛的,最后数值实验表明算法是有效的.     

不等式约束条件下的可行SQP方法

提出一个处理非线性不等式约束优化问题的有效可行SQP算法.每一步迭代,只需求解在近似积极约束指标集下的一个二次规划子问题和一个线性方程组,该方法有效的避免了马太效应.在无严格互补假设条件下,证得算法是全局收敛和超线性收敛的.数值试验表明该算法是有效的.     

非线性互补问题的非精确预估-校正光滑算法

提出了一类新的光滑函数,分析其相关性质.针对大规模非线性互补问题,结合预估-校正技术,提出一种新的非精确预估-校正光滑算法,证明该算法从任意点出发能得到其全局收敛和局部二次收敛速率,且算法简单有效.     

非线性不等式组的非内部连续化方法

针对非线性不等式问题,利用投影函数和引入的光滑函数,提出了一个非内部连续化算法.算法对初始点的选取没有任何要求,并且每次迭代最多只求解一个线性方程组.在一定的假设下,算法是全局收敛和局部二次收敛的.数值实验表明了算法的有效性.     

一类修正Hager-Zhang共轭梯度法的收敛性及其数值实验

为有效提高求解无约束优化问题的计算效率, 提出一类新的修正Hager-Zhang共轭梯度法, 该算法不依赖线搜索, 具有充分下降性和信赖域性质. 理论研究结果表明, 在常规假设条件下, 新算法不仅在弱Wolfe-Powell线搜索下对一般函数全局收敛, 且对一致凸函数具有R-线性收敛速度. 数值实验结果表明, 新算法比经典Hager-Zhang算法及其两个修正算法性能更优.     

非劣解变异蛙跳算法

针对基本蛙跳算法搜索速度和精度不高的缺点,将变异的思路融入基本蛙跳算法,提出了一种非劣解变异蛙跳算法.算法充分利用蛙群的群体信息,对青蛙子族群中的若干非劣解结合自身信息和群体信息进行变异,避免了算法陷入局部最优,并大幅度提高了算法的搜索速度.实验表明,改进后的算法收敛速度以及收敛精度方面都比基本蛙跳算法有了很大程度的提高,同时,该算法与相关文献中的算法进行比较发现,其性能有较大的提高.     

优化问题的序列线性方程组解法

拟牛顿算法是求解无约束优化问题的有效算法.序列二次规划方法是将拟牛顿算法应用于求解约束优化的推广与发展,它保持了拟牛顿算法的超线性收敛速度而成为约束优化的重要算法类.序列线性方程组方法则是它的进一步发展,目的在于每步求迭代方向dk时避免求解计算量较大的二次子规划.现在序列线性方程组方法仍在研究和发展,目的是简化算法结构、减少计算量,同时保持算法的优良性质.     

等式约束优化问题的带记忆模型信赖域算法

针对等式约束优化问题提出了一个带记忆的等式约束信赖域算法。该算法不同于传统的信赖域方法,此信赖域模型是记忆模型,从全局考虑目标函数的下降性而不完全依赖于当前点信息,采用非单调技术得到了算法的全局收敛性和超线性收敛性。     

复合非光滑优化问题的一类算法

提出复合非光滑优化问题的一类算法，并证明这种算法保持全局收敛性且敛速度达到超线性。     

广义分式规划Dinkelbach型算法的推广

就一类目标函数中有无限个分式的广义分式规划问题,在已有的相应的D inkelbach型算法的基础上作了进一步的推广,使其成为一簇算法;讨论了一个参数规划的性质和该簇算法的收敛性.结果表明:改进的D inkelbach型算法是该簇算法的一个特例,并且该簇算法在每次迭代时参数的取法有很大的灵活性,因而在求解时可允许有较大的误差而无损于相应的收敛速度.     

一种基于弱拟牛顿方程的单调梯度法的收敛性

基于弱拟牛顿方程,Leong W J等人提出了一种单调梯度法,该算法在每次迭代时利用对角矩阵逼近Hessian矩阵,使计算量和存储量明显减少,并且此算法对凸函数具有收敛性。在此算法的基础上,进一步研究了算法对于一般函数的收敛性,并证明了在一定的假设条件下算法仍具有全局收敛性、R-线性收敛性和超线性收敛性。     

非线性等式约束分解信赖域算法(Ⅰ)

本文采用分解、合成的思想,求解非线性等式约束优化问题,第一节,介绍了算法的发展;第二节,利用Fletcher罚函数,给出本文使用的两个算法:通常信赖域算法,非单调信赖域算法。非单调信赖域算法是通常信赖域算法的推广,算法实践表明:非单调信赖域算法更具优越性,开始受到充分重视。