求解凸二次规划的新内点算法

对凸二次规划提出了一种基于双障碍三角核函数的大步校正原始-对偶内点算法。通过应用新的技术性引理和这类核函数良好的性质,证明了算法的迭代复杂性为O(n~(2/3) logn/ε),这与目前凸二次规划基于三角核函数的大步校正内点算法最好的迭代复杂性一致。     

单调线性互补问题基于新的核函数的大步校正内点算法

提出了单调线性互补问题基于新的核函数的大步校正内点算法.这个核函数是强凸的,而且它既不是自正则函数也不是经典的对数函数.基于这个核函数,可以定义新的迭代方向和邻近度量.利用这个新的核函数的一些性质,得到新算法的迭代复杂性为O（√n（logn）^2log（n/ε））,这减少了大步校正原始-对偶内点算法的实际计算效果与理论复杂性之间的差距.     

基于新函数下的半定规划原始对偶内点算法的复杂度分析

以φ(t)=(tp+1-1)-(p+1)ln t作为核函数,讨论半定规划的一类多项式原始对偶内点算法的收敛性及其复杂度.基于这个核函数找到牛顿系统的一个新的搜索方向,从而得到一个新的算法,并给出了其长步长迭代界和短步长迭代界分别为O(n1-pln nε),O(n23-plnεn).     

凸二次规划基于新的核函数的大步校正原始-对偶内点算法

本文对凸二次规划提出了一种基于新的核函数的大步校正原始-对偶内点算法．这种核函数构造新的障碍函数不仅可以定义新的搜索方向,而且可以控制内迭代的过程,使得对凸二次规划提出的大步校正原始-对偶内点算法的多项式复杂性阶改善到O（√n（logn）2log（n／ε））,优于基于经典对数障碍函数的相应算法的复杂性阶．     

凸二次优化问题基于有限核函数的新内点算法

本文给出了凸二次优化问题基于一类有限核函数的新的大步校正内点算法.这些核函数是一类相当广泛的函数,它的主要特征是非自正则的,而且在其可行域边界上的值是有限的.利用类似于线性规划的相应算法的分析方法,证明了新算法具有目前最好的大步校正算法的迭代复杂性,即O（√nlognlog（n/ε））.     

单调非线性互补问题基于一类核函数的原始-对偶大步校正内点算法

基于一类非自正则核函数,为单调非线性互补问题提出了一个新的原始—对偶大步校正内点算法.该算法借助于Peng在文献[Peng J,Roos C,Terlaky T.Self-Regularity:A New Paradigmfor Primal-Dual Interior-Point Algorithms.Princeton,NJ:Princeton University Press,2002]中相应算法的分析框架,通过将非自正则函数作为分析工具,来确定出算法的搜索方向和步长.算法最终被证明具有多项式复杂性.特别地,当取增长项q=logn时,该算法迭代复杂性为O( (1+L)2 1/n1+p (logn)(1+2p)/(1+p)logn/ε),与基于经典的对数障碍函数的算法相比,此迭代界有了较大的提高.     

单调线性互补问题的宽邻域预估-校正内点算法

基于邻近度量函数的最小值,对单调线性互补问题提出了一种新的宽邻域预估-校正算法,在较一般的条件下,证明了算法的迭代复杂性为O√nlog(x0)Ts0/ε).该算法可视为最近zhao提出的线性规划基于邻近度量函数最小值的宽邻域内点算法的推广.     

求解凸二次规划的一个新的全牛顿步内点算法

根据求解线性规划的原始-对偶内点算法的思想,对凸二次规划设计了一种新的全牛顿步内点算法。算法的搜索方向由一个含有线性增长项的核函数确定。利用这个核函数和相应的障碍函数良好的分析性质,得到算法的复杂性阶为O(n~(1/2)lognlog(n/ε),这是目前已知的此类算法最好的理论迭代阶。     

凸二次规划的一种基于削减策略的Mehrotra型预估-校正算法

2008年,Salahi等对线性规划提出一种新的Mehrotra型预估-校正算法.基于削减(cut)策略,该算法保证校正步长有下界,从而具有多项式复杂性.基于这种思路,将此方法推广到凸二次规划.由于新算法的迭代方向不再正交,因此算法的复杂性分析与线性规划时不同.通过一些新的技术引理,证明了算法在最坏情况下,至多经过O(n5/2logεn)次迭代终止.最后,利用数值实验验证了算法的可行性与有效性.     

凸二次规划的一种宽邻域预估-校正算法

Zhao对线性规划提出了一种基于邻近度量函数最小值的宽邻域预估-校正算法, 并证明了算法的多项式复杂性。基于他的思路,将此方法拓展到凸二次规划,设计了一种新的基于邻近度量函数最小值的宽邻域预估-校正算法。由于新算法的迭代方向向量Δx,Δs不再满足正交性,因此算法的收敛性分析不同于线性规划的情形,同时也证明了新算法具有 已知的最好迭代复杂性Onln(x0)Ts0ε,初步数值实验验证了算法的有效性。