具有O((√)nL)复杂性的Mehrotra型预估-矫正算法

针对内点方法在理论和实践之间存在着计算效果好的算法在理论上具有较差复杂性的矛盾,提出一种求解线性规划问题的Mehrotra型预估-矫正内点算法,并证明了该算法的迭代复杂性是O((√)nL).数值实验结果验证了算法的有效性.     

线性规划的一个新的Mehrotra型预估-矫正算法

在线性规划的内点算法中,理论和实践之间存在着数值效果好的算法具有较差复杂性的矛盾.目前大多数内点算法软件的执行采用Mehrotra型预估-矫正算法.本文提出了求解线性规划问题的一个新的Mehrotra型预估-矫正算法,证明了该算法的迭代复杂性是O(槡n L),这是内点算法所具有的最好的复杂性结果.     

线性规划的一个宽邻域预估-矫正内点算法

在线性规划的内点算法中,宽邻域算法比窄邻域算法的数值效果好,但宽邻域算法的复杂性比窄邻域差.提出了求解线性规划问题的一个宽邻域预估-矫正内点算法,证明了该算法的迭代复杂性是O(n L),这是线性规划的内点算法中最好的复杂性结果.     

求解凸二次规划的一种二阶Mehrotra型预估-校正算法

给出了求解凸二次规划的一种二阶Mehrotra型预估-校正算法。该算法受Salahi等人对线性规划提出的相应算法启发,引入了安全步策略,保证了校正步步长有适当下界,从而具有多项式复杂性。由于算法迭代方向不正交,算法在罚参数的校正和复杂性的分析上有别于线性规划的情形。最后,通过一些新的技术性引理,证明了算法在最坏情况下的迭代复杂性为O{n3/2log((x0)Ts0)/ε}。     

求解线性规划的一种Mehrotra型预估-矫正内点算法

提出了一种求解线性规划问题的Mehrotra型预估．矫正内点算法，并证明了算法的代数复杂度。     

求解凸二次规划的一种二阶Mehrotra型预估一校正算法

给出了求解凸二次规划的一种二阶Mehrotra型预估一校正算法。该算法受Salahi等人对线性规划提出的相应算法启发,引入了安全步策略,保证了校正步步长有适当下界,从而具有多项式复杂性。由于算法迭代方向不正交,算法在罚参数的校正和复杂性的分析上有别于线性规划的情形。最后,通过一些新的技术性引理,证明了算法在最坏情况下的迭代复杂性为O（n^3/2log（x^0）^TS^0/ε）.     

具有O(n1/2L)复杂度的Mehrotra型预估-校正内点算法

基于中心路径的大邻域,提出了一种新的二阶预估-校正内点算法求解半定线性互补问题,并证明了该算法具有目前最好的多项式复杂度O(n^1/2L).     

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.     

线性规划基于修正牛顿方向的宽邻域内点算法

通过修正经典宽邻域算法的搜索方向, 提出一种新的求解线性规划问题的宽邻域内点算法, 并对算法进行收敛性分析, 证明了该算法具有经典宽邻域算法的迭代复杂性界O(nL). 数值实验表明算法是有效的.     

非单调线性互补问题的宽邻域预估校正算法

对P*(κ)阵线性互补问题提出了一种新的宽邻域预估校正内点算法.该算法是基于Mehrotra型预估校正算法思想,把线性规划问题拓展到非单调线性互补问题中(P*(κ)-LCP),并讨论了其计算复杂性.分析结果表明,所给算法是多项式时间算法.最后通过数值实验验证了算法的有效性.     

线性规划的宽邻域预估校正算法

提出了一种新的内点算法--宽邻域预估校正算法。该算法基于经典预估校正算法思想,把窄邻域拓展到宽邻域里,使算法更快地迭代。给出了算法的具体步骤,讨论了其计算复杂性,分析结果表明,所给算法是一多项式时间算法。通过数值实验验证算法的有效性。     

P_*(κ)线性互补问题的预估-校正内点算法

基于一种新的中心参数更新方案,提出一种求解P*(κ)线性互补问题的二阶预估-校正内点算法,从理论上证明了该算法具有O((1+κ)3/2 nL)多项式复杂度,并通过数值实验验证了算法的有效性.     

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。     

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.     

线性互补问题的邻域跟踪算法

文章把艾文宝的邻域跟踪算法推广到单调线性互补问题(LCP),由于单调LCP的迭代方向不再具有正交性,因此算法的理论分析变得复杂。证明了算法的迭代复杂性为O(nL),并且通过证明对偶间隙的单调性,使得算法易于执行。     

弧搜索内点算法

利用弧搜索内点算法对线性规划问题进行求解, 得到该算法的多项式复杂度为O(n^3/4L). 该算法在中心路径的一个宽邻域内, 沿椭圆近似寻找线性规划的最优解. 数值实验表明了该算法的有效性.     

求解单调线性互补问题的邻域跟踪内点算法

把艾文宝的邻域跟踪算法推广到单调线性互补问题(LCP),用2-范数代替1-范数来定义宽邻域.由于单调LCP的迭代方向不再具有正交性,因此算法的理论分析比线性规划复杂.证明了算法的迭代复杂性为O(√nL).通过证明对偶间隙关于搜索步长的单调性,使得算法易于执行.数值实验显示了该算法的有效性.     

P*(κ)线性互补问题的预估-校正内点算法

通过修正大邻域跟踪算法的搜索方向, 提出一种新的求解P*(κ)线性互补问题(LCP)的不可行预估-校正内点算法, 并对算法进行了收敛性分析, 证明了该算法具有目前最好的理论复杂度O((1+κ)^5/2nL). 数值结果验证了算法的有效性.     

凸非线性规划的一个预估-校正跟踪路径算法

提出一个预估-校正跟踪组合内点同伦路径算法,证明其全局收敛性,并用实数值算例验证其有效性.该算法由任意给定的一个内点,通过跟踪组合同伦路径得到凸非线性规划问题的解,并由β-锥邻域在可行域的内部确保迭代点是内点.该算法全局收敛,是一种求解凸非线性规划问题的有效算法.