MFCQ下的广义投影梯度算法

讨论了非线性不等式和等式约束优化问题在退化情形下的求解方法。首先通过引入恰当的罚函数,将原问题转化成一个只含不等式约束的辅助规划,给出了一般约束优化问题的广义梯度投影算法,在MFCQ下,证明了算法的全局收敛性。     

线性约束优化问题拓广的广义梯度投影算法

在去掉非退货假设条件下，提出了求解线性约束的非线性最优化问题的一个拓广的广义梯度投影算法，并在广义Armijo步长探索下证明了算法的全局收敛性质。     

解带非线性等式和不等式约束优化问题的超记忆梯度广义投影算法

利用广义投影技术，将求解无约束规划的超记忆梯度算法推广，建立了求解带非线性等式和不等式约束优化问题的一种超记忆梯度广义投影算法，并证明了算法的收敛性。该算法具有稳定、计算量小、所需收敛条件弱、收敛性强等特点，并改进了广义梯度投影算法的收敛速度。数值算例表明该算法是有效的。     

互补约束数学规划问题的一个广义梯度投影罚算法

结合罚函数思想和广义梯度投影技术, 提出求解非线性互补约束数学规划问题的一个广义梯度投影罚算法.首先, 通过扰动技术和广义互补函数, 将原问题转化为序列带参数的近似的标准非线性规划;其次, 利用广义梯度投影矩阵构造搜索方向的显式表达式. 一个特殊的罚函数作为效益函数, 而且搜索方向能保证效益函数的下降性. 在适当的假设条件下算法具有全局收敛性.     

解带非线性等式和不等式约束优化问题的超记忆梯度广义投影算法

利用广义投影技术 ,将求解无约束规划的超记忆梯度算法推广 ,建立了求解带非线性等式和不等式约束优化问题的一种超记忆梯度广义投影算法 ,并证明了算法的收敛性。该算法具有稳定、计算量小、所需收敛条件弱、收敛性强等特点 ,并改进了广义梯度投影算法的收敛速度。数值算例表明该算法是有效的。     

一般约束问题的广义摄动梯度投影算法

讨论带不等式和等式约束优化问题,提出了求解非线性规划问题的广义摄动梯度投影算法。考虑到计算的误差因素,在搜索方向上进行摄动,得到一个方向不精确的广义梯度投影法。避免了转轴运算,使计算量大为减少,并证明了算法的全局收敛性。     

求解凸集约束优化问题的共轭梯度的GLP投影算法

利用GLP投影技术，对凸约束的非线性规划问题构造了一个共轭梯度的GLP投影算法，在一维精确步长搜索下，给出了算法较强的全局收敛性结果，由于算法需要较小的存储量，特别适合于计算大规模的约束优化问题。该算法提高了梯度投影法的收敛速度。     

极大极小问题的广义摄动梯度投影算法

为了避免基于梯度概念的非线性规划的算法在不连续梯度上过早结束而失败，本文选用与切面有一定偏差的面作近似投影，使广义梯度在此面上的投影总是下降的可行方向，简化了求解过程，且不必每次求投影矩阵。     

线性约束优化问题拓广的广义梯度投影算法

在去掉非退化假设条件下 ,提出了求解线性约束的非线性最优化问题的一个拓广的广义梯度投影算法 ,并在广义Armijo步长探索下证明了算法的全局收敛性质     

非线性约束条件下的共轭投影梯度法

针对非线性等式和不等式约束优化问题,结合罚函数法,提出了一个共轭投影梯度法,在适当的假设条件下,证明了该方法的全局收敛性,由于使用了目标函数的二阶导数信息,该算法的超线性收敛速度也能得到保证,数值结果表明,该算法是有效的。     

一个改进的梯度投影法

本文给出一个求解线性约束的非线性规划问题的梯度投影法,方法的方向构造及整个算法均较从前的各梯度投影方法简单,且在较弱的假设条件及三种非精确线搜索下,证明了方法的收敛性。     

利用Fisher函数解约束优化问题的广义梯度投影算法

通过引入一个辅助优化问题,将广义投影与罚函数技巧和F isher函数(a,b)=a2 b2-(a b),a,b∈En的特殊性质:a2 b2-(a b)=0 a≥0,b≥0,ab=0结合起来,给出处理非线性等式、不等式约束问题的广义梯度投影算法,并证明该算法是全局收敛的.该算法不仅保持文献[6]的优点,而且还扩大了初始点的选择范围.     

非线性约束优化的一个共轭投影梯度法及其全局收敛

针对非线性等式和不等式约束优化问题,结合罚函数法,提出一个共轭投影梯度法,并证明该方法的全局收敛性,给出有效的数值实验.     

线性约束规划的一个广义梯度投影法

讨论一般线性约束非线性规划，通过广义投影技术建立了一个全局收敛的可行方向法。算法不需要作任何转轴运算。     

约束优化问题的一个非单调变尺度投影算法

变尺度方法是求解优化问题的重要方法之一,本文利用投影算子建立了求解约束优化问题的一个变尺度投影算法,而且算法使用了非单调搜索,放松了每步迭代中对搜索的限制,并进一步证明了算法的全局收敛性．     

非线性约束条件下的广义投影梯度法

对非线性约束条件下的优化问题提出了三个广义投影梯度方法。算法Ａ能够求解非线性不等式约束优化问题。在此基础上，又提出了能够求解非线性等式和不等式约束优化问题的算法Ｂ．进一步，通过简化算法Ａ，又给出了能够专门求解一般线性约束优化问题的算法Ｃ．并且在较弱的假设下，证明了三个方法的全局收敛性。     

最优化问题广义投影下的广义次可行方向算法

利用广义投影技术和次可行方向法思想建立了非线性等式与不等式约束最优化问题的一个算法，它采用广义投影代替了传统的转轴运算，而且广义投影阵只由ε－积极约束函数的梯度产生，对于不等式约束的辅助优化问题，该算法是一个次可行方向类算法，称之为广义次可行方向法，算法在较弱的条件下具有全局收敛性。     

非线性约束条件下一个广义梯度投影法

运用广义梯度投影技术，提出了求解非线性约束优化问题一个可行方向法．该算法不仅免去了各种转轴运算，而且只需使用近似积极约束而不是全部约束来确定广义投影矩阵；同时给出了一个构造新的改进可行方向的简单方法．在适当假设条件下，证明了算法产生的可行点序列的所有极限点都是原问题的最优解     

有约束优化中结合Fisher函数的梯度投影算法

利用Fisher函数的特性,对求解约束优化问题提出一种新的结合Fisher函数的梯度投影算法。并且证明在通常的假设条件下,该算法在非精确线搜索下具有全局收敛性。