不等式约束的凸二次规划问题的新算法

目的 研究求解不等式约束凸二次规划的新算法。方法 根据广义乘子法的思想,将具有不等式约束的凸二次规划问题转化为只有部分分量带非负约束的凸二次规划,通过解此简单凸二次规划问题建立凸二次规划的新算法。结果 新算法不用求逆矩阵,这样可充分保持矩阵的稀疏性,可用来解大规模稀疏问题。结论数值结果表明,在４８６／３３微机上就能解较大规模的凸二次规划。     

凸二次参数规划的逆规划及其等价形式

主要讨论了经济中常用的凸二次参数规划的逆问题、相关逆规划的等价性，并给出一定条件下的凸二次参数规划的逆规划就是一个线性规划，从而其相应的算法问题得到了解决．     

一类非凸二次规划问题的全局最优性充分条件

研究了一类带二次等式约束的二次规划问题,利用求非凸优化问题全局最优性条件的一个新方法-L-次微分方法(与凸分析中的概念不同,一个函数在某点的L-次微分可能是一些非线性函数组成的集合),对二次函数的L-次微分进行了刻画,最后建立带二次等式约束非凸二次极小化规划问题的全局最优化的一个充分条件.     

一类非凸二次规划问题的全局最优性条件

研究了一些带有二次约束的非凸二次规划问题,利用最近提出的一种新的研究全局优化问题的L-次微分方法,得到了一类带有二次约束的非凸二次规划问题的全局最优性充分条件。     

求非凸二次约束二次规划全局解的凸规划方法

针对非凸二次约束二次规划(QCQP)问题,将问题中二次函数的凸函数部分保留,达到所得松弛规划的可行域更加紧致的目的,得到原问题更好的下界.利用正交变换的方法得到原问题的一个凸规划松弛模型,再利用分支定界算法求其全局最优解.根据问题的最优性和可行性原则,提出一种能整体删除或缩小算法迭代过程中产生的分割子区域的区域删减策略...     

凸二次参数规划的逆问题及其应用

考虑了凸二次参数规划和凸二次同参规划组的逆问题，首先给出凸二次参数规划的逆规划，然后考虑了凸二次同参规划组的逆问题，最后给出了凸二次参数规划的逆问题的经济背景．     

解非凸二次规划的分支定界缩减方法

目的研究带有二次约束的非凸二次规划问题。方法采用二级松弛技术、超矩形缩减与剪支技术。结果与结论提出了确定该类问题全局最优值的分支定界缩减算法,并证明了算法是收敛的,并用数值算例验证了算法的可行性与有效性。     

求解框式约束下凸二次规划问题的内点算法

对于框式凸二次规划问题给出了一个内点路径跟踪算法,该算法的迭代复杂度为Ｏ（√ｎＬ）,每一步近代所需计算量为Ｏ（ｎ＾３）,其中ｎ为变量个数,Ｌ为问题的输入长度。     

非凸二次规划的分支定界方法

通过构造二次函数的线性下界函数给出非凸二次约束二次规划问题(QP)的松弛线性规划,提出分支定界算法,数值计算表明算法是有效可行的.     

凸二次规划的Predictor—Corrector算法

考虑凸二次规划问题，给出了一个新的算法，证明了算法的迭代不数至多的Ｏ（√ｎＬ）。     

凸约束不定二次规划问题的分枝定界方法

针对凸约束不定二次规划问题,给出一个分枝界定方法。通过将凸约束不定二次规划问题等价地转化为凸凹规划问题,利用超矩形体的二分技术和锥剖分技术,在超矩形体上确定原问题的最优解,并进行了收敛性分析。     

球约束二次规划问题的一个计算方法

研究球约束二次规划问题 .将一般的球约束二次规划问题转化为球约束凸二次规划问题 ,并给出了该问题的KT点和全局最优解的计算方法     

同伦方法求解一类非凸规划问题的局部极小

利用组合同伦内点方法求解目标函数为凸的一类非凸规划问题, 证明了在同伦映射为正则映射的条件下, 同伦方法一定收敛到局部极小解, 并得到了当目标函数非凸时, 若非凸规划问题所有的K-K-T点均在可行域边界上, 则此同伦方法在同伦映射为正则映射的条件下, 也收敛于局部极小解.     

垄断市场的双层规划优化调控模型

建立了垄断市场条件下包含厂商和政府经济活动的双层规划模型，利用凸二次规划及参数规划的逆规划理论给出了其等价形式，最后指出在一定条件下处于微观层面的垄断厂商和处于宏观层面的政府可以同时达到最优。     

基于光滑逼近函数的高阶牛顿法求解凸二次规划

研究绝对值函数的3个光滑逼近函数的性质,并采用图像展示了逼近效果.进而提出求解凸二次规划问题的新方法:将凸二次规划转化为非线性方程组,采用光滑逼近函数进行处理,得到光滑非线性方程组,进而利用高阶牛顿法进行求解.数值实验结果表明:本文方法收敛快、迭代次数少.     

凸二次规划松弛方法研究离散加工时间可控排序问题

离散加工时间可控的排序问题,得到界为3/2的多项式时间近似算法。     

凸二次规划的一种分解算法

An algorithm to solve convex quadratic programming with nonnegative variables and linear equation constraints is given by means of the concept of ABS algorithm and decomposition strategy. If the object function is strict convex ,then the optimal solution can be gotten in finite steps ; otherwise ,the algorithm is superlinear convergent.