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。
     

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。     

一类鲁棒多目标优化问题的标量化性质

【目的】对多目标优化问题的鲁棒有效解和鲁棒弱有效解的一些性质进行研究。【方法】对鲁棒标量化问题的最优解与多目标优化问题的鲁棒有效解与鲁棒弱有效解之间的关系进行研究,建立了鲁棒弱有效解的一些充分与必要条件,鲁棒有效解的一个充分条件。对提出的鲁棒标量化问题与两类经典的鲁棒标量化问题最优解之间的关系进行讨论,并利用具体例子对主要结果进行解释。【结果】将确定性多目标优化问题的标量化模型推广到鲁棒情形,提出了一类新的鲁棒标量化问题。【结论】所得的结果是对最近一些研究工作的改进与推广。
     

多目标优化问题(ε,(ε)-拟真有效解的一个充分条件

【目的】对多目标优化问题(ε,■)-拟真有效解的充分条件进一步研究和推广。【方法】利用多目标优化问题的广义加权切比雪夫标量化问题或改进的加权切比雪夫标量化问题。【结果】在没有任何凸性假设的情况下,得到了多目标优化问题的(ε,■)-拟真有效解的一个新的充分条件。【结论】推广了已有文献中的结果。     

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。     

一类鲁棒多目标优化问题的标量化性质

【目的】对多目标优化问题的鲁棒有效解和鲁棒弱有效解的一些性质进行研究。【方法】对鲁棒标量化问题的最优解与多目标优化问题的鲁棒有效解与鲁棒弱有效解之间的关系进行研究,建立了鲁棒弱有效解的一些充分与必要条件,鲁棒有效解的一个充分条件。对提出的鲁棒标量化问题与两类经典的鲁棒标量化问题最优解之间的关系进行讨论,并利用具体例子对主要结果进行解释。【结果】将确定性多目标优化问题的标量化模型推广到鲁棒情形,提出了一类新的鲁棒标量化问题。【结论】所得的结果是对最近一些研究工作的改进与推广。     

多目标优化中ε-真有效解的一个注记

[目的]利用改进的约束标量化方法研究多 目标优化ε-真有效解的标量化性质.[方法]首先对在已有研究的基础上,对ε-真有效解的标量化结果进行分析,通过严格的推理发现有两个条件是相互矛盾的.进一步地,引入新的条件对该结果进行修正.[结果]利用改进的约束标量化方法在新的条件下建立了多目标优化问题中ε-真有效解的标量化结果.此...     

多目标优化问题近似解的一类组合标量化方法

根据多目标优化问题近似解的定义,对它的性质进行讨论;借助Ehrgott和Ruzika基于传统的标量化方法结合剩余变量提出的一类改进的ε-约束法组合标量化模型对多目标优化问题的近似解性质进行了研究;建立了多目标优化问题的近似有效解与标量化问题的最优解之间的关系,得到了近似真有效解与对应标量优化问题最优解的等价关系,并提出反例对部分结论进行了解释说明,指出若不满足所给定的条件,其结论不一定成立;所提出的主要结果是对一些已有标量化结果的改进与推广,为设计和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。     

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。