基于范数标量化方法的多目标次梯度算法

【目的】提高多目标优化问题的收敛速率及解的精度。【方法】在欧式空间中基于范数标量化方法提出了求解多目标优化问题的次梯度算法。【结果】在每个目标函数与相应最小值的差的平方为凸函数的假设下，证明了多目标次梯度算法的Pareto弱有效解的收敛性。【结论】数值实验结果表明：提出的多目标次梯度算法在求解多目标线性优化模型时具有更快的收敛率，并且在求解非光滑多目标优化问题时具有更高的解的精度。     

多目标优化问题的非单调对角最速下降算法

【目的】为了更高效的求解多目标优化问题,得到更有效的Pareto前沿面。【方法】通过引入非单调Armijo准则,得到新的步长搜索方式,进而提出了多目标优化问题的非单调对角最速下降算法。【结果】在目标函数无凸性、梯度Lipschitz连续性和下有界假设下,证明了算法产生序列的每个聚点均是多目标优化问题的Pareto弱有效解,并在适当条件下证明了算法的次线性收敛性。【结论】数值实验表明提出的算法目标函数值的平均值更小。     

多目标优化问题近似解的组合标量化

【目的】研究多目标优化问题近似解的标量化性质。【方法】利用一类组合标量化方法、co-radiant集和改进集等建立多目标优化问题近似解的组合标量化。【结果】得到了多目标优化问题ε-有效解、(C,ε)-有效解、E-有效解、(C,ε)-弱有效解、E-弱有效解的组合标量化结果。【结论】得到的标量化结果为设计多目标优化问题近似解的求解算法提供了理论基础。     

多目标优化近似解的一些非线性标量化性质

【目的】提出多目标优化问题近似解的定义,并对它的性质进行讨论。【方法】利用一类广义切比雪夫范数标量化模型对多目标优化近似解进行研究。【结果】建立了多目标优化问题ε-弱有效解和ε-真有效解的一些非线性标量化结果。【结论】得到的主要结果推广了一些已有工作。     

集值优化问题广义近似解的线性标量化

【目的】对广义近似(弱)有效解的性质作进一步研究。【方法】利用线性标量化方法研究了集值优化问题广义近似(弱)有效解的刻画。【结果】建立了广义次似凸条件下的择一性定理,给出了广义弱近似解的一个标量化定理,并进一步研究了广义近似解(弱)有效解的一些性质。【结论】将集值函数F是凸的推广到次似凸的情形,并进一步完善了广义近似解的一些性质。     

多目标优化近似解的一些非线性标量化性质

【目的】提出多目标优化问题近似解的定义,并对它的性质进行讨论。【方法】利用一类广义切比雪夫范数标量化模型对多目标优化近似解进行研究。【结果】建立了多目标优化问题ε-弱有效解和ε-真有效解的一些非线性标量化结果。【结论】得到的主要结果推广了一些已有工作。
     

集值优化问题广义近似解的线性标量化

【目的】对广义近似(弱)有效解的性质作进一步研究。【方法】利用线性标量化方法研究了集值优化问题广义近似(弱)有效解的刻画。【结果】建立了广义次似凸条件下的择一性定理,给出了广义弱近似解的一个标量化定理,并进一步研究了广义近似解(弱)有效解的一些性质。【结论】将集值函数 F 是凸的推广到次似凸的情形,并进一步完善了广义近似解的一些性质。
     

多目标优化问题统一解的加权Tchebycheff标量化

【目的】研究多目标优化问题(C,ε)-型、E-型统一解的标量化性质。【方法】首先,利用Bowman等人提出的加权Tchebycheff标量化方法建立多目标优化问题(C,ε)-弱有效解和E-弱有效解的标量化结果。进一步,建立基于加权Tchebycheff标量化方法多目标优化问题(C,ε)-有效解和E-有效解的标量化结果。【结果】通过调整标量化模型参数范围得到了多目标优化问题(C,ε)-（弱）有效解、E-（弱）有效解的一些加权Tchebycheff标量化结果。【结论】得到的标量化结果是一些已有工作的推广,并为求解多目标优化问题的算法设计提供了理论基础。     

多目标优化问题近似解的一类标量化方法

【目的】研究多目标优化问题近似解的一类标量化方法。【方法】利用Ehrgott和Ruzika提出的多目标优化问题的标量化模型。【结果】建立了基于co-radiant集定义的(C,ε)-近似解和改进集定义的E-近似解的一些标量化结果,并提出了一些例子对主要结果进行了解释。【结论】所得结果为设计求解多目标优化问题近似解的最优算法提供理论与方法基础。     

一种基于跳出局部最优机制的自适应响应面方法

【目的】针对昂贵黑箱函数优化问题提出一种能够更好平衡局部搜索和全局搜索的响应面方法。【方法】对径向基函数响应面约束优化算法进行了改进,首先增加了判断陷入局部最优的机制,然后引入填充函数方法辅助选择新采样点,进而利用新采样点跳出局部最优。【结果】在37个公开的全局优化算法测试问题上的数值实验表明,本文提出的基于填充函数跳出局部最优机制的自适应响应面算法能够收敛到更好的近似全局最优解。【结论】基于填充函数方法的局部最优解跳出机制能够提升算法的全局搜索能力。