锥拟凸向量优化问题解的稳定性及广义适定性

利用Kuratowski-Painlevé关于集列的收敛性和水平集等特征, 通过锥理论和方法研究目标映射是锥拟凸映射的拟凸向量优化问题有效解和弱有效解的稳定性及广义适定性, 得到了强连续锥拟凸映射序列与其极限映射的有效解和弱有效解之间的关系及其稳定性和广义适定性的充分性条件.     

集值优化问题近似Henig真有效点的稳定性

针对集值优化问题近似Henig真有效点,提出在目标集值优化问题的映射及可行域均扰动的情形下,建立C凸集值优化问题近似Henig真有效点的稳定性结果,将近似Henig真有效点的稳定性研究从向量值优化问题推广到集值优化问题中.首先给出集值映射序列ΓC收敛的概念,比较了集值映射序列Painlevé-Kuratowski收敛与...     

集值优化问题E-Henig有效解的稳定性

改善集下的Henig有效解统一了Henig有效解和近似Henig有效解,其稳定性分析在数值计算中不可或缺,同时集值优化问题是当前优化领域研究的热点问题,研究基于改善集下的集值优化问题E-Henig有效解的稳定性具有重要的理论意义和实用价值。首先,针对集值优化问题,基于改善集的概念,引入集值优化问题的E-Henig有效解,统一了集值优化问题近似Henig有效解和Henig有效解;其次,在集值优化问题目标映射和约束条件均扰动的情况下,借助Painlevé-Kuratowski收敛性,建立集值映射水平集的闭凸性、有界性及回收锥的相关性质;然后,借助所获得的集值映射水平集的闭凸性、有界性及回收锥的性质,在集值优化问题目标映射和约束条件均扰动的情况下,分别建立严格真拟C-凸集值优化问题E-弱有效点集、E-Henig有效点集和E-Henig有效解的稳定性结果。所得结果首次聚焦于集值优化问题基于改善集概念下的弱有效点集、Henig有效点集及Henig有效解集的稳定性结果,相较于以往文献大都只关注集值优化问题Henig有效解的存在性、最优性条件、对偶性性质,大大完善了集值优化问题Henig有效解的理论...     

集值映射向量优化问题弱有效解的本质性及本质连通区

关于集值映射向量优化问题,在一定条件下得到了弱有效解的存在性,通过一致拓扑度量,研究了弱有效解集的稳定性,证明了当集值映射形成了一个Baire空间时,集值映射向量优化问题的弱有效解是稳定的,并进一步讨论了解集的本质连通区。     

基本蚁群算法的A.S.收敛性研究

蚁群算法是近几年优化领域中新出现的一种启发式仿生类并行智能进化算法，虽然该算法已经在众多组合优化领域中得到广泛应用，但是对其收敛性尤其是A．S．（AlmostSurely）收敛性问题的研究还存在很多空白．本文在介绍蚁群算法基本原理的基础上，以Markov链和离散鞅作为研究工具，对基本蚁群算法的A．S．收敛性问题进行了理论证明，把最优解集序列转变为下鞅序列来考察残留信息素轨迹向量的收敛性，随后提出了基本蚁群算法首达时间的定义，并对基本蚁群算法首次到达时间的期望值进行了理论分析．     

向量混合变分不等式弱有效解集的非空有界性

利用标量混合变分不等式解集非空有界的充要条件,以及凸函数序列的Mosco收敛性和对偶锥的连通性,得到了自反Banach空间中向量混合变分不等式的弱有效解集为非空有界集的充要条件。     

集值映射向量优化问题弱有效解的性质

研究了集值映射向量优化问题弱有效解的一些性质,引进了集值映射向量优化问题弱有效解的定义,并证明了集值映射向量优化问题弱有效解的几个连续性质以及具有某些性质的集值映射组成的空间是完备的.     

集值优化问题严有效点集的次微分稳定性

在锥序Banach向量空间引入了集值映射次微分(次梯度),在一定的条件下,证明次微分(次梯度)的存在性及它的一些性质;得到了集值优化问题严有效点集在次微分意义下的稳定性.     

概率赋范空间中的弱收敛和弱有界

本文引入了Menger-概率赋范空间中有界线性算子,泛函以及向量序列(集)的几种收敛性(有界性)概念,并研究了各种收敛性(有界性)及其相互关系。     

随机规划经验逼近问题ε-最优解集的几乎处处Huasdorff收敛性

对随机规划经验逼近问题ε-最优解集序列的几乎处处Hausdorff收敛性进行了研究。首先依据上图收敛性讨论了随机规划经验逼近问题最优值序列的几乎处处收敛性,其次给出了随机规划逼近问题ε-最优解集序列的几乎处处Hausdorff收敛性。     

集值映射向量优化问题（真）有效点集的连通性

对向量集值映射引入锥类凸的概念，并给出锥类凸集值映射的一个等价刻划和逼近锥的几个重要性质。利用这些概念与结果，对赋范线性空间中带集值映射的向量优化问题的有效点集和Ｂｅｎｓｏｎ真有效点集建立了两个标量化定理。据此，证明了这两个集合的连通性。     

约束优化问题的序列近似方法收敛性

对抽象约束优化问题的序列近似方法的收敛性进行讨论,证明了在目标函数序列连续收敛和约束集合序列收敛的条件下,序列近似问题的全局最优值收敛到原问题的最优值.进一步,证明了在序列近似问题目标函数和约束集合具有某些单调性质的前提下,把目标函数序列连续收敛减弱到上图收敛,该结论仍然成立.最后,将这一结果用于分析互补约束优化问题的光滑化方法的收敛性中.     

集值优化问题$\varepsilon-$强有效解的最优性条件

在Hausdorff局部凸拓扑向量空间中引入集值映射$\varepsilon-$强有效次梯度和$\varepsilon-$强有效次微分的概念.在一定条件下,利用凸集分离定理证明了该次微分(次梯度)的存在性及它的一些性质.作为应用,对于一类参数扰动集值优化问题讨论了其在 $\varepsilon-$强有效意义下的稳定性.     

向量优化问题解的连续性和本质性

研究了Rm中一类向量优化问题有效解映射和弱有效解映射的上半连续性,讨论了弱有效解映射是上半连续的一个等价条件,证明了向量优化问题弱有效解集合是本质的.     

一种新的全局排序高维多目标优化算法

针对传统高维多目标优化问题解决方法存在解集收敛性与解集分布均匀性缺陷的问题, 提出将全局排序方法与灰色关联分析两种方法相结合, 设计一种新的全局排序高维多目标优化算法. 通过设计最小函数值母序列和个体目标函数值子序列, 利用灰色关联分析法计算其关联度, 并结合个体目标适应度计算策略, 解决解集分布不均匀的问题. 该算法不仅可提高非支配个体的选择能力, 还具有良好的收敛性. 为测试该算法的性能, 选择3种经典多目标进化算法, 在标准测试函数集DTLZ{2,4,5,6}上进行对比实验. 实验结果表明, 该算法在解决高维多目标问题时, 其收敛性与解集分布均匀性均优于其他3种算法.     

基于遗传禁忌混合算法的低相关区序列集搜索方法

提出一种基于遗传-禁忌混合算法(genetic-taboo hybrid algorithm)的低相关区(low correlation zone,LCZ)序列集的搜索方法.建立搜索LCZ序列集的优化模型并设定了模型的目标函数,将禁忌算法嵌入到遗传算法的变异操作中,提出一种遗传-禁忌混合算法,该算法利用遗传算法的全局搜索能力和禁忌算法的局部搜索能力从而实现高效搜索.迭代过程中,种群在进入新一轮进化之前,首先剔除移位等价序列(shift equivalent sequence),从而保持种群的多样性,防止算法过早收敛.根据优化算法收敛后目标函数保持不变的特点,设定了算法结束准则,当超过一定进化代数后目标函数值仍保持不变,则认为进化结束.对非周期四元和周期二元序列集进行数值仿真,结果证明了该方法的有效性.     

自适应迭代算法支持向量集的特性研究

针对在支持向量机研究中,传统的优化方法无法处理规模不断扩大的分类问题,为设计适应大样本分类的训练算法,提出了基于块的自适应迭代算法。在该算法的训练过程中,块增量学习和逆学习交替进行,能够自动得到一个小的支持向量集。将该算法与SVML ight在支持向量数量方面进行了比较,计算了UC I(Un i-versity of Californ ia-Irvine)中的6个数据集和著名的Checkboard问题。结果表明:该自适应迭代算法确定的支持向量数一般不到SVML ight所得到的支持向量数的一半,其中70%多的支持向量被SVML ight所确定的支持向量集所包含,在支持向量选择方面具有高效性。