一种新的凸二次规划的内点算法

提出了一个新的求解凸二次内点算法,算法基于原始－对偶仿射尺度算法的思想,每步迭代只须解一个线性方程组,通过适当选取步长,算法具有多项式计算复杂性。     

可分凸二次规划的不可行内点算法

给出了可分凸二次规划的不可行内点算法,并证明了该算法在Ｏ（ｎ＾２Ｌ次迭代之后,或收敛到问题的一个近似最优解,或说明该问题在某个较大区域内无最优解。     

凸二次规划的不可行内点算法

给出了一个求解凸二次规划的不可行点内点算法，算法的初始迭代点为非负不可行内 ，证明了算法的全局收敛性。该算 法可以看作是Ｋｏｊｉｍａ算人关于线性规划算法的推广，也可以看作是Ｍｏｎｔｅｉｒｏ等人关于可行内点算法的推广。     

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）。     

凸规划的一个内点算法

对于含线性约束的凸规划问题，本文给出了一个内点算法，并且证明了算法经过Ｏ（ｎ￣（０．５）｜ｌｎε｜）步迭代后，原始一对偶间隙必小于ε，整个算法的复杂度为Ｏ（ｎ￣（３．５）｜ｌｎε｜）．特别的，如果目标函数为凸二次函数或者线性函数，则得到相应的多项式算法，其算法复杂度为Ｏ（ｎ￣（３．５）Ｌ），其中Ｌ为相应问题的输入长度．ε取做２￣（－Ｌ）．     

解线性不等式约束凸规划问题的势下降内点算法

提出了一种解线性不等式约束凸规划问题的势下降算法,并在一定的假设条件下,证明了该算法的收敛性,最后通过数值实验验证了该算法的有效性.     

框式凸规划的原——对偶仿射尺度算法

章对框式凸规划问题设计了一个原－对偶仿射尺度算法，证明该算法的迭代复杂性为多项式时间性。     

凸二次规划的原-对偶内点算法数值实验初步

在线性规划原始对偶内点算法的基础上,进一步给出原始对偶内点算法在解凸二次规划问题中的应用, 并初步给出了该算法的数值例子, 作为对内点算法的一个重要补充.     

解非凸优化问题的一个同伦内点方法

用同伦内点算法求解带有非凸可行域的约束优化问题时,非凸可行域的边界刻画条件是算法收敛的重要条件之一.在弱伪锥条件下, 构造了新的组合同伦方程,证明了对可行域的某个子集中几乎所有的内点,同伦路径存在且收敛于问题的K-K-T点.     

框式凸规划的原始-对偶不可行内点算法的全局收敛性

对框式约束的可微凸规划提出了一个原始－对偶不可行内点算法，并证明了算法的全局收敛性。     

基于一种新的S型函数快速凸组合最小均方算法

为解决传统凸组合自适应滤波算法在联合参数迭代计算量大、算法收敛速度慢、跟踪性能差等问题,提出了一种基于一种新的S型函数快速凸组合最小均方(SCLMS)算法;该算法用一种新的S型函数,代替Sigmoid函数,在保证和CLMS算法相同稳态误差情况下,避免了指数运算,减少了计算量;同时也提高了收敛速度和信号的跟踪性能。通过独立高斯白噪声作为输入信号算法仿真、相关噪声作为输入信号算法仿真;以及非平稳环境下算法仿真;并对三种仿真结果进行了分析,验证了该算法性能可靠有效。     

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）.     

凸二次优化问题基于有限核函数的新内点算法

本文给出了凸二次优化问题基于一类有限核函数的新的大步校正内点算法.这些核函数是一类相当广泛的函数,它的主要特征是非自正则的,而且在其可行域边界上的值是有限的.利用类似于线性规划的相应算法的分析方法,证明了新算法具有目前最好的大步校正算法的迭代复杂性,即O（√nlognlog（n/ε））.     

多目标凸规划问题有效解集的求法

利用组合同伦内点法研究了多目标凸规划的求解问题,得到了多目标凸规划问题的有效解集,证明了同伦内点算法的全局收敛性.数值例子表明此算法是可行并且有效的.     

Hession矩阵凸性判别法选择凸性目标函数解决ANN学习算法中局部极值问题

误差反传学习算法（即BP算法）是人工神经网络（ANN）中应用最广泛,影响最大的一种ANN学习算法,但是BP算法和其他学习算法一样,存在收敛速度慢和局部极小值问题,采用Hession矩阵凸性判别法选择凸性目标函数,保证学习过程中所求出的目标函数的极小值就是全局极小值,从根本上避免了陷入局部极小值问题和由局部极小值所导致的收敛速度慢的问题,对于ANN学习算法目标函数的选择具有一定指标意义。     

基于代数等价路径的一类线性约束凸规划问题的内点算法

对于满足尺度李谱希茨条件的一类线性约束凸规划问题,提出了一种基于代数等价路径的原始-对偶内点算法,并讨论了计算复杂性.该算法可以在任一内部可行点启动,并且全局收敛,当初始点靠近中心路径时,此算法便成为中心路径跟踪算法,总迭代次数为O(nL),其中L是问题的输入长度,数值实验结果表明算法是有效的.     

一种松弛型Bregman区间的凸规划算法

首次提出了一种松弛型的Bregman区间凸规划算法,并保证了欠松弛条件下算法的收敛性。在前面算法收敛性证明的基础上,还得到了一个松弛型的Hildreth区间规划算法。     

不可微凸规划的一个新算法

提出了解决线性约束不可微凸规划的一个新算法－既约次梯度有效集算法。该算法充分利用了目标函数的次梯度和有效集策略，发地选择规划，克服了由目标函数是否光滑所造成的困难，并保证了算法的总体收敛性。     

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，证明了算法的迭代步数至多为