非光滑函数的半严格拟不变凸性

在Banach空间中定义了一种新的广义凸函数——半严格拟不变凸函数。举例说明了半严格拟不变凸函数是比拟不变凸函数和伪不变凸函数更为广泛的一类广义凸函数。对于非光滑的半严格拟不变凸函数,讨论了它的C larke广义次微分性质。讨论了半严格拟不变凸函数与拟不变凸函数之间的关系。此外,在这篇文章里,还给出了半严格拟不变凸函数的两个基本性质。本文的结果扩充了无限维空间中的凸性理论。     

半严格预拟不变凸函数的一个充分条件

在文献[1]中,作者在一定条件下证明了可微的伪凸函数是拟凸函数,也是半严格拟凸函数。Yang在文献[2]中利用Mohan和Neogy在文献[3]中建立的条件C和条件D证明了可微的伪不变凸函数必关于相同的向量值函数η为预拟不变凸函数。本文利用条件C和条件D证明了可微的伪不变凸函数关于相同的η为半严格预拟不变凸函数。     

伪预内凸性、伪内凸性和伪不变单调性之间的关系

利用极限次微分的性质讨论了局部Lipschitz连续函数的伪预内凸性,伪内凸性和其极限次微分的伪不变单调性之间的关系.文中结果可看成是非光滑伪凸函数性质的一个推广.     

锥预不变凸映射

研究拓扑向量空间锥半严格预不变凸映射和锥预不变凸映射的性质，证明了锥半严格预不变凸映射的局部弱有效解与锥预不变凸映射的局部有效解都是全局有效解，给出它们的一个梯度性质。     

关于向量值映射D-η预不变真拟凸的注记

在文[8]中,Peng给出了向量值映射D-η预不变真拟凸的性质.现在条件较弱的情况下证明了其结果仍然成立.     

严格不变拟单调性

本文对严格拟单调进行推广,定义了严格不变拟单调:设K为Rn中的不变凸集,η:Rn×Rn→Rn,如果f是不变拟单调的,且对x,y∈K,x≠y,存在z∈{y λη(x,y):λ∈(0,1)},使得η(x,y)Tf(z)≠0,则称f为集合K上相对于η的严格不变拟单调映射.并建立了严格不变拟单调与严格预拟不变凸之间的关系:设K为Rn中的不变凸集,f是K上的可微函数,η:Rn×Rn→Rn,如果η满足文中所述条件1,则f是集合K上相对于η的严格预拟不变凸函数的充分必要条件是f是集合K上相对于η的严格不变拟单调,且对所有x,y∈K,有f(y)≤f(x)f(y η(x,y))≤f(x)成立.     

半严格不变拟单调性

对文献[1]中的半严格拟单调映射进行推广,定义了半严格不变拟单调映射,并建立了半严格预拟不变凸函数与半严格不变拟单调映射之间的关系。     

关于预不变凸函数的某些注记

【目的】对已有文献的一些不足进行修正。【方法】利用条件C的性质以及对特殊点的构造来完成证明。【结果】针对不足的地方给出了更严密的证明。【结论】严格说明了半严格预拟不变凸函数是预不变凸函数的充分条件。
     

不可微函数的广义凸性与极值映射的广义单调性

讨论了集值映射的半严格不变拟单调性与Clarke次微分意义下不可微函数的半严格预拟不变凸性．     

关于KT-伪Ⅱ型不变凸性的一个注记

在KT-伪Ⅱ型不变凸性下研究了一类非可微多目标规划的Mond—Weir对偶模型的限制逆对偶定理；进一步考虑了该类问题的混合对偶模型的弱对偶定理、强对偶定理、逆对偶定理．     

非光滑B- 预不变凸优化问题的解集刻画 (运筹学与控制论)

给出了具有不等式约束的非光滑B-预不变凸优化问题的最优解集的各种刻画。首先,利用Clarke次微分建立了该优化问题最优解的充分必要条件;再讨论了该优化问题在其解集S上的一个性质:最后建立了该优化问题解集的5种等价形式,即S={x∈M〈^ξ,η(z,x)〉=0,^ξ∈cf(x)=(x∈M〈^ξ,η(z,x)〉≥0,^ξ∈cf(x)}={x∈M〈^ξ,η(x,z)〉=〈^ζ,η(z,x)〉,^ξ∈C(z),^ζ∈cf(x)}={x∈M〈^ξ,η(x,z)〉≥〈^ζ,η(z,x)〉,^ξ∈C(z),^ζ∈cf(x)}={x∈M〈^ξ,η(x,z)〉=〈^ζ,η(z,x)〉=0,^ξ∈C(z),^ζ∈cf(x)},并举例验证这5个集合都相等,为S={0}。     

基因算法在求解非光滑优化问题中的应用 (三峡地区资源环境生态研究)

本文考虑了基因算法在求解非光滑优化问题中的应用。非光滑优化方法致力于求解目标函数为连续不可微函数的数学规划问题。因为目标函数的不可微性,传统的以梯度为基础的确定性算法在求解非光滑问题时会遇到障碍,所以运用不需要梯度信息而只需要目标函数值信息的遗传算法来求解非光滑问题是一个不错的选择。遗传算法是基于自然界生物遗传变异过程而设计的一种优化算法,它首先对问题的可行解进行编码,编码方法有0-1编码,格雷编码和实数编码,然后运用交叉算子,变异算子和选择算子产生下一代种群。当种群迭代达到一定的次数后,种群中的最优染色体就会收敛到原问题的最优解。本文设计的基因算法基于实数编码,算子分别采用算术交叉算子,非一致变异算子,最佳选择算子。     

非光滑半无限多目标规划的最优性及混合对偶(运筹学与控制论)

本文研究了非光滑半无限多目标规划(NSIMP)的最优性条件及混合型对偶。首先,在Fritz-John必要条件的基础上建立了Karush-Kuhn-Tucker必要条件,即设为(NSIMP)的有效解和gj,j∈()为关于η的严格不变凸函数,则存在0,μj≥0,j∈J且ūj≠0对有限多个j∈J,使得(4)-(6)成立。然后建立了Karush-Kuhn-Tucker充分条件,即设x为(NSIMP)的可行解,在x处满足Karush-Kuhn-Tucker条件(4)-(6)式,fi,i∈I是关于η的不变凸函数,gj,j∈J()是关于相同η的严格不变凸函数,则为(NSIMP)的有效解。最后在不变凸性条件下,证明了混合对偶模型的弱对偶,强对偶和逆对偶定理。本文的主要结果推广并改进了一些已有的结论。     

半严格F-G广义凸函数

定义了广义凸集和F-G广义凸函数等概念,进而给出半严格F-G广义凸函数概念,并将已有文献中提出的条件C推广为条件P<,1>、P<,2>,指出条件P<,1>、P<,2>的若干性质,得到其所蕴含的等式关系:若F在K上满足条件P<,1>、P<,2>,则λ∈(0,1),U<,1>,U<,2>∈[0,1],U<,1>≠U<,2>...     

连通2-Kn-残差图的一个注记

【目的】对Erdös等人关于连通 m-Kn-残差图的最小阶和极图的两个猜想进行修正。【方法】利用容斥原理以及集合的运算性质等方法。【结果】证明了最小阶的连通2-K6-残差图仅存在两个不同构的极小图,从而解决了连通2-K6-残差图的最小阶和极小图问题。【结论】最后提出了新的猜想。
     

关于线性张量积问题拟多项式易处理性的一个注记

线性张量积问题的易处理性研究是多元问题易处理性研究的最主要实例。近年来,有人依此问题为蓝本给出了多元问题易处理性的概念,并在最坏情形下研究了d维张量积逼近问题,并给出了线性张量积问题具有拟多项式易处理性的一个充要条件。但其证明涉及了T 易处理性的很多难以检验的性质,因此很难直观理解。本文主要应用了线性张量积问题的信息复杂性估计式和一般线性问题具有拟多项式易处理性的一个具体量化表达式对其充要条件给出了一个极其简单直观的证明。
     

摩擦接触问题的一种非光滑算法

接触问题是一个多重非线性问题,难以转化为经典的光滑模型进行求解,运用非光滑分析的理论与算法研究有摩擦的接触问题,给出了二维摩擦接触问题的一种非光滑方程组模型及算法,并给出了算例.该算法未引入任何人工变量,列式简单,计算量小,实际算例及随机算例也表明了算法的有效性.     

一类非光滑规划问题的最优性条件 （运筹学与控制论）

本文给出了带等式和不等式约束的非光滑B-(p,r)规划问题的KKT必要性条件,即:若∈D是(P)的最优解,∑mi=1μigi+∑pj=1vjhj在处是关于η和b的严格B-(p,r)不变凸函数,gi(i∈I),hj(j∈J1),-hj(j∈J2)在处正则。则存在λ0,μ∈Rm+,v∈Rp,使得是(P)的KKT点。同时,也给出了该类规划问题的KKT充分条件,即:若∈D处KKT条件(2)～(4)式,f+∑mi=1μigi+∑pj=1vjhj在处是关于η和b的B-(p,r)不变凸函数且f,gi(i∈I),hj(j∈J1),-hj(j∈J2)在处正则,那么是(P)的最优解。     

次梯度法在求解非光滑最优化问题时的计算效果研究 (运筹学与控制论)

本文研究了次梯度法的一些重要问题。次梯度法是梯度法在非光滑优化中的直接推广。在每一步的迭代中,选取一个负次梯度方向为搜索方向,并以一定的规则设置搜索步长。次梯度法的每一步迭代不一定都下降,但是可以证明,对于非光滑凸优化问题,次梯度法能够保证全局收敛性。次梯度法的搜索步长是预先设置的,步长设置准则包括常值步长准则、有限平方和步长准则和已知全局极小值的步长准则。本文对各种步长准则的收敛性进行了证明。为了验证次梯度法在不同的步长准则下的计算效果,本文应用次梯度法对一系列非光滑最优化问题进行了计算实验,并分析了他们的计算结果。数值实验结果表明,常值步长准则收敛速度慢,精度不高,而且步长的选择困难。而有限平方和步长准则收敛速度更快,也能够达到更高的精度。至于已知全局极小值的步长准则,虽然精度也较高,但是因为需要事先已知凸优化问题的全局极小值,所以这种步长准则的应用范围有限。
     

F-G广义凸函数与F拟凸函数

给出F-G广义凸函数和F拟凸函数等概念及特例,利用条件P1,P2,研究了F-G广义凸函数的若干性质,给出了由F-G广义凸函数构造的函数Φ(λ)=f[F(x,y,λ)]在[0,1]上是(拟)凸函数和水平集Sη(f)={x|x∈K,f(x)≤η}是关于F的广义凸集等结论,并指出f在K上是F-G广义凸函数的充分必要条件是f在...