修正的Dai-Liao三项共轭梯度方法

共轭梯度方法是求解大规模无约束优化问题最有效的方法之一。近年来提出的共轭梯度法具有良好的收敛性和数值结果。然而,这些方法并不总是产生下降方向。Dai-Liao方法虽然不会产生上升的搜索方向,但是也不满足充分下降条件。大量学者对Dai-Liao方法的参数进行研究使得Dai-Liao方法获得更好的收敛性和计算结果。因此,我们基于下降的三项共轭梯度方法和通过对Dai-Liao方法的迭代矩阵进行特征值分析,得到参数的一种自适应选择,并且利用HZ和DK方法的截断思想,提出了两种新的修正的Dai-Liao方法,使得修正的Dai-Liao方法满足充分下降条件和对一致凸函数全局收敛。在计算上优于HZ+、DK+方法和一种修正的Dai-Liao三项共轭梯度方法,有效可行。     

可分离凸规划问题的交替邻近梯度法的次线性收敛率

给出了目标函数为3个凸函数的和且具有线性约束的可分离凸规划问题的交替邻近梯度法在遍历意义下的次线性收敛率为■的一个充分条件.     

基于前景理论的投资组合优化问题研究

借鉴Kahneman和Tversky提出的前景理论,从期望效用最大化的视角对风险资产进行组合投资。首先建立基于前景理论的投资组合优化模型,然后针对模型中S形价值函数在参照点的非光滑性,使用CHKS函数进行了光滑化处理;针对目标函数的非凹性,使用多初始点技术进行了处理。最后利用中国金融市场的实际数据进行了实证分析,通过设定不同参数取值,验证了前景理论对中国金融市场的适用性。     

三目标优化:一种计算Pareto非劣解相对于各优化目标偏向度及其进一步分析的方法

考虑到理性决策者通常以获得高性价比结果为最佳选择,本文基于求解三目标优化问题得到的Pareto非劣解进一步分析.以"性价比"概念为基础,建立了Pareto前沿各点排序的基本规则,定义了相邻点概念,并明确了相邻点选择的方法.根据Pareto前沿各点与其相邻点的分布特点,计算得到了Pareto前沿各点的变化率;设计了灵敏比概念,得到了各Pareto非劣解相对各优化目标的偏向程度.本文的创新性贡献有3点:①利用三目标Pareto前沿灵敏比形成的新支配关系,进一步得到了比Pareto非劣解集范围更小的子集;②首次量化出三目标优化问题的Pareto非劣解相对于各优化目标的偏向度;③给出了各Pareto非劣解偏向于各优化目标的不平衡度,得到了不平衡度最小的解.最后,通过具体算例演示了上述计算过程,并与多种常用方法的计算结果进行了对比分析,验证了文中所述方法的可行性和有效性.本文研究成果对于进一步认识Pareto非劣解所具有的重要特性,深化三目标优化问题的求解是一次重要的理论推进.     

基于改进边际优化的离散变量优化设计算法

针对传统离散变量优化方法存在的目标函数测算次数多、收敛性不佳等问题,借鉴边际优化理论和模式搜索算法,设计了一种基于改进边际优化的离散变量优化设计算法。借鉴边际效用优化原理,通过引入周围单位步长空间的概念,在初始点选择、边际增量设计、禁忌搜索策略等方面进行了改进,并设计了变异操作以跳出局部最优。实例分析表明,所提算法能够快速准确地收敛到局部最优解,实现以尽可能少的目标函数测算得到问题的满意解或最优解,适合于求解高维离散变量优化问题和仿真优化问题。     

基于鲸鱼优化算法的类图重构研究

为了提高软件质量,组合使用重构技术、软件度量和元启发式搜索可以有效改进软件的结构而不影响其功能.本文提出一种基于鲸鱼优化算法的类图重构方法,并结合耦合、继承、抽象3个指标所构建的质量模型来指导类图重构序列寻优.在6个不同的开源程序上使用鲸鱼优化方法对类图进行重构,研究结果表明:基于鲸鱼优化算法的类图重构在质量增益上优于模拟退火算法和爬山算法,可有效提高重构质量.     

基于已实现半协方差的投资组合优化

在传统的风险度量方法中,常见的协方差估计量并未区分资产收益的下侧风险和上侧收益,而一般的下偏矩估计量则存在非对称性和难以加总的缺点.本文引入已实现半协方差矩阵(RSCOV)作为风险度量进行波动率预测和投资组合研究.本文将RSCOV应用于两种常见的风险分散投资策略—风险平价(ERC)策略和全局方差最小(GMV)策略,并将机器学习中的在线加权集成(OWE)算法用于提升已实现波动率预测方法HAR-RV的样本外预测表现.通过研究发现,相比起已有的其他风险衡量方式,仅包含负向波动信息的下半RSCOV能够更好地被用于平衡组内各资产的风险贡献.基于A股市场2011-2018年的高频数据,本文通过实证研究发现,OWE-HARRV在月度预测步长下的效果优于HAR-RV,而下半RSCOV则能够使ERC策略以及GMV策略在保证一定平均收益的同时,降低了组合收益的极端损失.     

融合码盘和激光雷达的里程计与建图

提出了一种用于自动驾驶汽车的低漂移、低延迟的里程计与高精度建图的算法。该方法融合了多种传感器的测量结果，包括车轮编码器、转向盘转角编码器、激光雷达及可选GPS等的测量结果。里程计算法由车轮里程计和激光里程计组成：前者基于车辆运动学模型，高频、实时估计位姿增量，用于点云去畸变和为后者优化位姿提供可用的初值；后者以较低的频率估计车辆的精确位姿变化，以补偿前者累计的误差，其核心是一种基于角度度量的两阶段特征提取方法。建图算法基于因子图，包含激光里程计因子、回环因子和可选GPS因子，通过增量平滑和建图算法优化全局轨迹，在线生成全局地图，其中GPS因子能够自动对齐GPS坐标系和里程计坐标系，逐步融合GPS测量值，解除了算法初始化过程对于GPS的依赖。所提出的方法在自动驾驶汽车平台数据集上进行了评估，并和已开源的部分相关工作进行对比，结果表明它具有更低的漂移率，在本文进行的最大规模的测试中达到了0.53%。相关代码以开源形式供交流参考（https：//github.com/Saki-Chen/W-LOAM）。     

液中放电沉积技术研究进展

液中放电沉积是一种新型的表面改性技术，起源于电火花加工技术，可在金属表面制备出具有高硬度、高耐磨性以及高结合力等优良性能的沉积层。此外，该技术不污染环境，有望替代部分常用但具有污染性的表面改性技术。液中放电沉积技术的核心内容为沉积层形成机制、工具电极材料以及介电流体成分。简单介绍了液中放电沉积技术的特点，重点阐述了沉积层的形成机制以及缺陷优化工艺，并从工具电极材料、介电流体成分和实际生产应用三个方面总结了液中放电沉积技术的国内外研究进展，展望了该技术的发展方向。