多目标博弈的Hadamard良定性

通过引入n人非合作多目标博弈的弱有效反应映射,证明了多目标博弈的弱Pareto-Nash平衡点在满足一定的条件下是Hadamard良定的。     

广义多目标博弈的Hadamard良定性研究

定义了广义多目标博弈的Hadamard良定性,并研究了广义Hadamard良定与Hadamard良定的一个关系.     

广义Hadamard良定统一定理成立的充要条件

本文给出了广义Hadamard良定统一定理成立的充要条件.     

一类非连续多目标博弈的Hadamard良定性

通过引入n人非合作多目标博弈的若有效反应映射,证明了多目标博弈的弱Preto-Nash平衡点集在支付函数为伪连续条件下是非空紧集,并且研究了在支付函数和策略集均扰动情况下,伪连续多目标博弈的弱Pre-to-Nash平衡点的Hadamard良定性.     

一类平衡问题的通有唯一性与良定性

本文首先构造没有凸性的平衡问题空间,并以集值映射为工具,在紧值和非紧集的环境下证明了平衡问题的解是通有唯一的,也就是说,在Baire分类的意义下,大多数的平衡问题都有唯一解.然后,本文借助有限理性模型统一研究良定性的方法,也得到平衡问题的解是通有良定的.最后,本文给出了平衡问题解的刻画定理.     

良定Hadamard问题的统一研究

本文给出了良定Ｈａｄａｍａｒｄ问题的一个统一定理。     

良定不动点问题

研究良定不动点问题,给出了Tykhonov和Hadamard良定定理。     

“大多数”最优化问题都具有唯一解

本文证明了Ｂａｉｒｅ分类的意义下，大多数最优化问题都有唯一解。     

关于Hadamard矩阵的若干结果

研究了著名的Ｈａｄａｍａｒｄ猜想,对任一正整数Ｋ,给出了４Ｋ×４Ｋ阶Ｈａｄａｍａｒｄ矩阵存在的一些必要条件。     

多目标最优化问题中弱有效解的稳定性

本文证明了在Ｂａｉｒｅ分类的意义下，大多数多目标最优化问题都是稳定或弱稳定的。     

最优化问题的强适定性及其相关问题

给出约束最优化问题的一个强适定性定义.并给出了最优化问题是强适定性的一个充分性条件是适定性的最优化问题的约束更具有局部误差界.讨论了它与一类罚函数方法的收敛性关系.     

粒子群算法在求解优化问题中的应用

粒子群优化(PSO:Particle Swarm Optimization)算法是一种新兴的优化技术,其思想来源于人工生命和进化计算理论.PSO算法通过粒子追随自己找到的最好解和整个群体的最好解完成优化.为了避免PSO算法在求解最优化问题时陷入在局部最优及提高PSO算法的收敛速度,提出了对PSO算法增加更新概率.对无约束和有约束最优化问题分别设计了基于PSO算法的不同的求解方法和测试函数,并对PSO算法求解多目标优化问题进行了研究.仿真实验表明了改进的PSO算法求解最优化问题时的有效性.     

求解全局优化问题的一种新方法

局部最优性必要条件是用来设计局部优化算法的一个主要工具。本文将介绍求解全局优化问题的一种新的方法：利用全局景优性器件（最优性必要备件[NC]和最优性充分备件[SC]）来研究一类{0,1}双值混合二次规划问题的一些最优化算法。首先利用其全局最优性必要条件[NC]来研究这类双值混合二次规划问题的局部最优化算法,然后针对于这类{0,1}双值混合二次规划问题,研究一类特殊的辅助函数Fr,x（x）来克服现有的局部极小点,最后利用所碍到的辅助函数Fr,x（x）和局部优化算法LOMMQP以及全局最冼性充分条件[SC]来得到具有一定终止准则的全局最优化算法（GOM）。     

求解约束优化问题的改进粒子群优化算法

针对约束优化问题,提出了一种改进的粒子群优化算法.该算法利用罚函数法将约束优化问题处理为无约束优化问题,并利用可行基规则来更新个体极值和全局极值,使不可行的粒子尽快飞向可行域,显著提高了算法的全局搜索能力.在标准粒子群算法研究基础上,为了提高粒子群算法求解非线性复杂优化问题的性能,对速度方程和惯性权重做了改进.数值算例表明,该算法是求解约束优化问题的一种较为有效的全局优化算法.     

一种曲面网格优化的通用算法

提出了一种曲面网格优化的通用算法,该算法基于一些预先定义的优化准则,将给定的网格曲面优化成为单位网格曲面,定义了两种指导优化过程的优化标准。在优化过程中采用了三种优化算子（边分裂、边消除、边替换）,是一个简单的曲面网格优化的通用算法。     

矩阵Hadamard乘积的一些性质

研究了矩阵Hadamard乘积的元素和的性质,得到一系列新的结果.发现两个矩阵不同,是因为它们之间存在夹角和大小的差异.找到了矩阵垂直的充要条件,矩阵Hadamard乘积的元素和与此矩阵的行列式的关系。     

求解约束优化问题的多成员人工蜂群算法

针对约束优化问题提出了一种多成员人工蜂群算法.新算法设计了一种多成员机制,增强了在可行域内的搜索能力.在进行选择操作时,允许拥有较优目标函数的不可行解战胜可行解,增强了种群的分散性;在处理等式约束时,引入一种约束放松程度从大到小变化的机制,充分利用了等式约束周围不可行解的信息.针对13个标准测试函数的仿真实验表明:当处理含有等式约束且可行域较小的问题g13和最优解位于可行域内部且可行域较大的问题g02时,与改进人工蜂群算法相比,新算法最优解的均值误差分别减小了76%和80%.     

BFGS人工神经网络求解无约束优化问题

提出了一种基于BFGS算法的求解无约束优化问题的人工神经网络模型,并对该模型的稳定性作了理论分析.采用该模型对两个著名的测试函数进行数值实验,结果表明,文章给出的模型具有较好的数值效果.