一类非凸D．C．约束优化问题的UV-分解理论

UV-分解理论是近年来解决非光滑凸函数的二阶近似的一种有效的方法,并应用于解决非光滑凸函数的最优化问题。主要应用UV-分解理论对于一类D．C．函数的约束优化问题进行研究,借助于近似次微分的概念,得到类似的UV-空间分解,以及空间分解下的相应U—Lagrange函数与其最优解集W（u）的相关性质和二阶近似的结果。     

一类联合最大特征值函数优化问题

非光滑凸优化问题是运筹学的一类重要问题.束方法作为解决非光滑凸优化问题最有效的方法之一,已经被广泛地应用于各个领域.运用束方法对最大特征值函数与一般非光滑凸函数之和的优化问题进行研究.首先,对目标函数进行近似;其次,给出求解此类优化问题的带有罚项的束方法算法;最后,通过收敛性分析证明了算法产生的序列会收敛到原问题的最优解.     

一类非Lipschitz约束优化的最优性条件

本文研究一类具有箱约束的非凸非光滑非Lipschitz最小化模型,它是一类典型的稀疏优化问题,在图像重建、信号处理、变量选择等领域有广泛的应用。该模型的目标函数包含一个非凸、非光滑、非Lipschitz的正则项,约束区域是一个闭凸集。本文给出该模型的一阶和二阶最优性条件,为进一步算法设计和分析提供前提和基础。     

一类最大特征值函数优化问题的UV-分解方法

研究一类最大特征值函数与一个仿射映射复合后的函数与一个二次连续可微的凸函数的和的无约束优化问题,许多的实际应用问题的约束优化问题可以转化为这种形式的无约束问题来求解。将处理非光滑问题的UV-分解方法应用于这一类无约束优化问题,先给出目标函数在某一点处的3种形式的UV-空间分解,证明了3种空间分解形式是等价的。其次,给出目标函数的U-Lagrange函数及它的一阶和二阶展开式。最后,基于UV-空间分解理论给出解决这样一类无约束优化问题的UV-分解算法,并证明此算法是超线性收敛的。文章结论为解决最大特征值函数的联合函数的优化问题提供了一种新的途径。     

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.     

求解一类非凸非光滑约束优化问题的邻近滤子束算法

针对一类特殊的非凸非光滑约束优化问题提出了邻近滤子束算法.该问题的目标函数为lower-c2而约束函数为凸的.具体地,首先对目标函数采用凸化技术得到修正的问题,接着利用改进函数将修正后的约束问题转变为无约束问题,设计邻近束算法来求解这个无约束问题并在邻近束算法中引入滤子策略来确定下降步.数值结果表明了该算法的有效性和可靠性.     

最大值函数的UV-算法

UV-分解算法是一种求解非光滑凸函数优化问题的新算法，其借助于次微分而得到的分解理论及函数的二阶近似，并在迭代点的选取中，利用Bundle子程序而得到的一种原始对偶方法．对最大值函数优化问题中如何应用UV-分解算法．并在Bundle子程序中如何去选取迭代信息．从而使算法有更好的收敛效果．     

半光滑方程利用uv-分解理论求解

利用uv-分解理论,将半光滑函数应用到uv-分解中.首先利用半光滑函数的性质,对半光滑函数uv-分解的合理性予以考虑,主要考虑了Lu函数和最优解集W(u)在u-空间的性质,得出了相关的结论和定理,并利用Newton法和得出的性质定理,给出了半光滑方程的另一种求解方法.     

一种非光滑函数的二阶梯度微分方程求解算法

为了更好地解决复杂非线性多目标模型求解问题,提出一种非光滑函数的二阶梯度微分方程求解算法.结合非光滑函数针对二阶梯度微分方程中的凸函数性质进行分析和演化,规范凸函数的一阶和二阶性质定义,从而求解常微分方程和偏微分方程.进一步根据非光滑函数的基本原理,对非光滑函数导数进行求解,并对非光滑函数的二阶梯度微分方程的误差数值进行检测和修正,保证二阶梯度微分方程求解算法的有效性同时提高算法的防滑性能,最后通过对比实验证实了非光滑函数的二阶梯度微分方程求解算法在实际应用过程中的可行性.     

UV-分解在一类具有锥约束的lower-c2规划中的应用

在非光滑优化中,函数的二阶性质与展开的理论与应用方面的研究是倍受关注的课题.2000年Lemaréchal,Mifflin,Sagastizábal和Oustry等提出的UV-分解理论,给出了非光滑凸函数f在不可微点的二阶性质的新方法.UV-分解理论的基本思想是将Rn分解为2个正交的子空间U和V的直和,使得原函数在U空间上的一阶逼近是线性的,其不光滑特征集中于V空间中,借助于中间函数(U-Lagrange函数),得到函数在切于U空间的某个光滑轨道上的二阶展式.文中主要是将UV-分解理论推广到一类具有锥约束的非凸函数.使用罚函数的方法,讨论了该罚函数的UV-空间分解结构,并得到该罚函数在光滑轨道上的一阶、二阶性质及其展开式.     

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。     

约束线性系统关于非凸评价泛函的最优控制

研究一类约束线性系统关于非凸评价泛函的最优控制问题,该最优控制问题的评价泛函的被积函数中含有关于控制变量的非凸二次函数.由Pontryagin极值原理建立球约束下非凸二次优化问题,并利用倒向微分流求解该问题,进而求解一组微分边值问题以得到原问题的最优控制.同时把数学过程转化为求解的算法,并给出了一个数值计算的例子.     

概率约束优化问题的一个光滑D.C.近似

概率约束优化问题通常是非凸且非光滑的,因而在数值计算上存在困难.基于Pinar-Zenios光滑和函数,建立了概率约束优化问题的一个光滑D.C.近似问题,提出了求解光滑D.C.近似问题的序列凸近似(SCA)算法,分析了初始解的选取方法,并讨论了算法的收敛性,收敛定理表明可以由SCA算法可以得到光滑D.C.近似问题的KKT点,并且在迭代过程中,确保了由SCA算法生成的解序列的极限点是近似问题的KKT点.     

求解非凸约束优化问题的p次幂拉格朗日方法

针对非凸约束优化问题,引入了一种等价的p次幂形式,并考虑了一类p次幂拉格朗日函数.给出了求解非凸约束优化问题的p次幂拉格朗日算法并且分析了它的全局收敛性.借助于数值实验,说明了算法的有效性.     

解一类复合非光滑极小化问题的拟牛顿型算法

本文讨论极小化由凸泛函和光滑算子复合而成的目标函数的数值方法,给出了旨在求上述问题的一个平稳点的拟牛顿型算法,它将原问题转化为求解一系列约束凸极小化问题的近似解.在适当的条件下算法具有全局收敛性,当目标函数满足增长条件时算法有超线性的敛速.     

约束DC优化的双束法及对偶问题

针对带有凸不等式约束的非光滑DC优化问题,提出了一种基于罚函数的凸约束DC优化问题双束法,同时也刻画了双束法子问题的对偶问题;首先,利用L_1精确罚技巧把凸约束DC优化问题转化成无约束DC优化问题,便于直接对目标函数进行DC分解,然后分别建立了增广目标函数DC分量的凸分段线性近似模型,最后利用Lagrange函数得到了原问题和对偶问题最优解之间的等价关系,说明了利用对偶问题求解搜索方向的可行性和有效性。     

线性圆锥互补问题的非单调非精确光滑牛顿法

给出求解圆锥互补问题的一种新的非单调非精确光滑牛顿法.基于一个圆锥互补函数的光滑函数,将线性圆锥互补问题转化成一个方程组,然后用非精确光滑牛顿法求解该方程组,并且在新算法中引入一个新的非单调线搜索技术.在适当假设下,证明该算法具有全局收敛性和局部二阶收敛速度.数值结果表明算法的有效性.     

近似非精确加速迫近梯度方法求解一类最大特征值函数极小化问题

非精确加速迫近梯度(IAPG)算法,用于解决问题min{F(X)=f(X)+g(X):X∈Sn},其中函数f:Sn→R是连续可微的,且▽f是Lipschitz连续的,函数f,g均是正常的,下半连续凸函数(可能非光滑).利用近似IAPG算法借助于非光滑函数的光滑近似,解决非光滑函数中最大特征值函数与一般非光滑函数g(x)的和的极小化问题,得出近似IAPG算法,并给出了收敛性分析.将近似IAPG算法用于求解带有线性约束的最大特征值函数的优化问题.     

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.     

一类求解无约束优化的自适应拟牛顿型信赖域算法

提出一类求解无约束优化的自适应拟牛顿型信赖域算法,信赖域半径更新准则采用由L-函数给出的一类自适应更新准则,当前迭代点处的目标函数的二阶海森矩阵用某种拟牛顿型公式近似.在一定假设的条件下,算法具有传统信赖域算法的全局收敛性质.数值实验表明,对于求解无约束优化问题算法是有效的.