求解极小l1模问题的修正Bland规则

改进了Bland规则，给出了一个解极小l1模问题的有效算法。     

一个修正的l_1模算法

对ＢＳ算法进行了修正，找出其内部量的递推关系，构造了一个更有效、简捷的算法     

求解亚定l_1模极小解的新方法

提出了解亚定ｌ＿１模极小解的一种直接方法．先建立了亚定ｌ１模方程与一个二次规划的关系，采用消失－雅可比的方法，求解二次规划，而直接得到亚定ｌ１模方程的解．     

求解极小l_1模和极小l_∞模的神经网络

将极小l_１模和极小l_∞模问题同时映射到一个易于电路实现的神经网络模型上［１］，利用该网络，可获得极小ι１模和极小ι∞模问题的实时最优解。     

基于差分算子的和声搜索算法求解非线性l1模极小化问题

针对一类目标函数非光滑的l1模极小化问题,提出了一种改进的和声搜索算法.结合差分进化算法的变异策略,用差分向量算子取代和声搜索算法的音调微调.实验结果表明,改进后的和声搜索算法能够获得原问题的全体解.     

曲线拟合的极小l1模法

曲线拟合被应用于许多领域,曲线拟和的常用方法是最小二乘法,本文提出了曲线拟合的极小l1模法。首先研究了极小l1模剩余向量的性质及其计算方法,利用这些结果可以将曲线拟合的极小l1模法求解问题转化为先求解极小l1模剩余向量,再求解一个优化问题,最后求解一个相容的方程组问题。从最后的示例可以看出,与最小二乘法相比,本方法的效果较好。     

求解亚定l1模极小解的新方法

提出了解亚定ｌ１模极小解的一种直接方法，先建立了亚定ｌ１模方程与一个二次关系，采用消失－雅可比的方法，求解二次规划，而直接得到亚定ｌ１模方程的解。     

求线性方程组极小l1范数解的一种算法

陈中文研究中关于求线性方程组极小l1范数解问题有着较为广泛的应用。本文研究了该问题的最优性条件，给出最优解的充分必要条件。进一步研究了该问题最优解的一种表现形式，提出一个单纯形方法的算法，该算法解决了退化问题，且收敛速度较快，同时给出确定初始基的方法。     

一个修正的l1模算法

对ＢＳ算法进行了修正，找出其内部量的递推关系，构造一个更有效，简捷的算法。     

超定线性方程组极小l1范数解的一个算法

利用极小l1模剩余向量,将l1范数极小化问题转化为先求一个约束不可微最优化问题,再解一个相容的线性方程组。最后的算例表明该算法具有简单、易于操作等优点。     

线性L1问题的一个迭代法

运用极大熵技术,提出一个求解线性l1问题的迭代法,与传统的直接解法相比,提出的极大熵方法具有简单易行、占用计算机资源少的优点,最后的两个算例表明此算法是可行的.     

求解绝对极小拟合问题的神经网络方法

提出了一个解绝对极小拟合问题的神经网络，并证明它的全局收敛性，该网络的优点是没有选择惩罚参数的困难，稳态解对应最优解，及网络电路中不含变量间的模拟乘法器。     

单纯形法换基准则有效性的讨论

单纯形法是求解线性规划问题的一种实用方法,换基准则对单纯形法的有效性起着重要作用,文章分析了文献2中提出的“单纯形最佳主元法”结论的欠妥,给出了判定单纯形法最有效迭代算法的充分条件,提出了求解线性规划问题改进的方向。     

一种改进的证据推理组合规则

提出了一种新的证据理论组合规则，综合考虑了支持信息和冲突信息对合成结果的影响。在求出各个证据之间局部冲突之后，利用各个证据的可信度得到系统的全局冲突；以全局冲突作为参量定义了一个冲突证据有效性系数，该系数反映了冲突信息对最终融合结果的影响。算例验证结果表明，新的组合规则能够有效地处理证据中的冲突信息，得出合理的融合结果。     

解非线性优化问题GM（1,1）模型的多子群遗传算法

针对非线性优化问题约束条件中待定参数的时间序列数据,首先使用GM(1,1)方法进行建模预测得到参数的预测值,进而将参数预测值代入原问题中提出一个确定型的非线性优化问题。对该确定型问题设计了一个多子种群并行进化的遗传算法进行求解,在分析所提算法的收敛性的基础上,给出了初步的数值算例。数值算例实验结果表明:该算法能够较为精确地获得预测型非线性优化问题的(近似)全局最优解。     

求解0-1背包问题的混合遗传算法

对于0-1背包问题设计一种价值密度,并在此基础上提出求解0-1背包问题的混合遗传算法.经大量数值实验比较该方法与传统方法及简单遗传算法,结果表明算法能有效求解0-1背包问题.     

反特征值问题的最小二乘解的Cramer法则

利用拉直算子将反特征值问题最小二乘解化为线性方程组极小范数最小二乘解,给出反特征值问题最小二乘解的Cramer法则。     

求非线性规划全局最优解的一个算法

首先给出了判别f（x）的极小值点x0∈D是否为f（x）的最优解的充分必要条件（D为Rn中的闭区域）;在此基础上,给出了求一元函数及多元函数全局最优解的方法．此外,还给出了求一元函数极值的一个迭代算法．     

求解线性多目标规划的一种新方法

给出求解线性多目标规划问题弱有效解子集的一种新算 法. 在不同的条件下, 运用此算法得到了线性多目标规划的弱有效解子集, 并在得到的解子 集中再次进行寻优, 进而得到弱有效解集中决策者满意的较优解; 同时用VC++语言实现 了此算法, 并给出了具体算例.