一种求解不等式约束凸优化问题的内点方法

文章给出一种求解不等式约束的凸优化问题的内点方法,此法能保证迭代过程中迭代点仍为内点,解决了IPA每步迭代需要假定迭代点在可行域内部,并不需要罚因子趋于零,从而避免传统内点障碍函数法由于罚因子趋于零导致的病态问题.最后给出了数值实验,实验表明,算法是有效的.     

线性不等式约束优化问题的仿射内点不定dogleg算法

使用仿射变换内点回代技术的不定dogleg算法解线性不等式约束的非线性优化问题．通过对构造的仿射不定dogleg路径进行搜索得到迭代方向,结合线搜索内点回代技术获得可接受的步长因子,产生保证目标函数值单调下降的严格内点可行迭代序列．在合理的假设条件下。给出了不定dogleg路径的良好性质,从而证明了算法不仅具有整体收敛性,而且保持超线性收敛速率．数值计算结果表明了算法的有效性．     

仿射内点最优路径法解线性不等式约束的优化问题

提供了仿射内点回代技术的最优路径法解线性不等式约束的非线性优化问题，通过构造的最优路径得到搜索迭代方向，结合非单调内点回代线搜索技术获得可接受的步长因子，从而产生保证目标函数值非单调下降的严格内点可行迭代序列．基于最优路径的良好性质，证明了在合理的假设条件下，算法不仅具有整体收敛性而且保持超线性收敛速率．引入非单调技术能克服高度非线性的病态问题，加速收敛性进程，数值计算结果表明了算法的有效性．     

有界变量约束优化的非单调最优路径内点算法

采用最优路径结合非单调内点回代算法解有界变量约束的非线性优化问题．从构建的最优路径解二次模型获得迭代方向，通过线搜索获得步长因子以保证迭代点既落在严格可行域内，又能使目标函数产生足够下降，基于导出的最优路径的良好性质，在合理的假设下，证明了此算法不仅具有整体收敛性，而且保持局部超线性收敛速率．引入非单调技术将克服病态问题，从而加速收敛性进程．数值计算表明了算法的可行性和有效性．     

具有畸形约束极值点问题的优化

在畸形约束极值点附近,约束边界与目标函数等值线接近于相切,可行适用方向区非常狭小,难以寻得真正的约束极值点。为了使优化方法更好地解决各领域的复杂优化问题,研究具有畸形约束极值点问题的优化。针对该类问题的一个算例,分别采用随机方向方法、复合形法、内点惩罚函数法、外点惩罚函数法进行了优化,并对比了计算结果。随机方向法和复合形法在寻得边界点之后,难以找到可行适用方向,因此给出了伪最优点。而惩罚函数法由于其渐进优化的特点,可寻得最接近于约束极值点的最优点。计算结果验证了基于盲人探路优化思想的改进随机方向法,可减少随机方向的产生次数;验证了基于盲人探路思想的改进复合形法,可减少复合形的构造次数;也验证了加固围墙的内点惩罚函数法不要求初始点一定在可行域之内,也不会因寻优越界而给出伪最优点。对于存在多个约束极值点的优化问题算例,只要适当选取初始点,采用内点法就能寻得所有局部最优点。通过多种优化方法的对比研究,得出了对于畸形约束极值点优化问题,宜选用惩罚函数法求解的结论。     

有界变量与线性等式约束优化的信赖域内点算法

提出一种既有界变量又有线性等式约束的非线性优化问题的信赖域内点算法,在合理的条件下所提供的算法不仅具有整体收敛性而且保持局部收敛速率。数值计算结果说明算法的有效性。     

线性不等式约束优化问题的强信赖域算法

对一类带有非负边界约束的线性不等式约束优化问题进行了研究,提出了一种新的信赖域算法.该算法在内点法的基础上,把非负边界约束从一般的不等式约束中分离出来,化为信赖域约束的一部分,得到一个简单易解的子问题.在一定的条件下证明了该算法具有强收敛性,并给出了数值结果.     

线性不等式约束优化问题的仿射内点信赖域子空间算法

使用仿射变换内点回代技术的信赖域子空间算法解线性不等式约束的非线性优化问题．通过构造一个二维子空间,在子空间中求解信赖域的子问题得到迭代方向,结合线搜索内点回代技术获得可接受的步长因子,产生保证目标函数值单调下降的严格内点可行迭代序列．子空间技术的应用使得该方法适用于求解大规模问题．在合理的假设条件下,给出了信赖域子空间算法的良好性质,从而保证了算法不仅具有整体收敛性,而且保持超线性收敛速率,数值计算结果表明了算法的有效性。     

有界变量约束优化的仿射投影共轭梯度路径内点方法

采用共轭梯度路径结合仿射内点投影回代技术解有界变量约束的非线性优化问题．通过构造共轭梯度路径解二次模型获得搜索方向,引入线搜索技术获得的迭代步既落在严格可行域内,叉能使目标函数下降．基于共轭梯度路径的性质,在合理的假设条件下,证明了所提供的算法不仅具有整体收敛性,而且保持快速的超线性收敛速率．进一步,数值计算说明了算法的可行性和有效性．     

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.     

拉格朗日-拟牛顿法解约束非线性规划问题

Partier E R和祁力群等人先后提出解光滑不等式约束函数和光滑目标函数最优化问题的QP-free方法，算法中所有的迭代点为可行点．笔者在先前发表的文章中，提出了含弱互补函数的不等式约束最优化问题的拉格朗日-牛顿法．现笔者改进了先前文章中算法，用拟牛顿公式代替了Hesse矩阵，把解不等式约束最优化问题推广到了既含不等式约束又含等式约束最优化问题，并证明了此算法具有全局收敛性．对一些算例的计算表明，此法具有很好的应用前景．     

求解P0-函数混合互补问题的正则化光滑牛顿算法

基于扰动的CHKS光滑MCP函数,提出了求解P0-函数混合互补问题的一种正则化的光滑方法.该算法中的正则参数和光滑参数都是彼此独立的变量,并且可以通过线性方程组的迭代很快得到.数值结果表明该算法是可行有效的     

一般约束非线性规划问题的光滑牛顿法

用改进的光滑NCP函数替代了文[1,2]中的弱互补函数,提出了一种新的光滑牛顿法,从而实现了一般约束优化问题的KKT条件到非线性方程组之间的完全等价转化,且将文[3]中提出的求解无约束最优化问题的修正BFGS方法加以改进,应用于求解一般的约束最优化问题,避免了计算Hesse矩阵工作量较大的问题,并在一定的条件下证明了该算法的全局收敛性.     

投影Hessian的内点回代算法解线性约束优化问题

提供非单调内点回代技术的信赖域投影Hessian算法解线性约束优化问题.基于矩阵QR分解的技巧,将仿射零空间的信赖域子问题变换成通常的信赖域子问题,然后结合线搜索技术,在每次迭代信赖域子问题都将产生新的回代内点.在合理的条件下,证明了算法不仅具有整体收敛性而且保持局部超线性收敛速率,引入非单调技术将克服病态问题,加速收敛性进程.     

正定二次规划内点稳定算法

进一步讨论一种新二次规划的内点算法.该算法不同于传统的内点算法:它不含有原始或者对偶变量的逆,因而在靠近解集附近也有定义(well defined).证明了若目标函数的二次部分为标准正定二次型,则在计算迭代方向时,可以把对(m 2n)×(m 2n)阶KKT系统的求解转化为(n-m)×(n-m)阶KKT系统的求解,从而在很大程度上提高算法的效率.     

求解非凸优化问题的同伦内点法研究进展

自Karmarkar内点法被解释成同伦算法之后,以内点同伦算法为代表的同伦路径跟踪算法的研究迅速发展起来。目前同伦内点算法用于求解非凸优化问题的理论与算法尚未完善,本文主要总结求解非凸优化问题的同伦内点法相关研究成果,并指出求解非凸优化的同伦内点算法有待于进一步深入研究的主要问题。     

基于原—对偶内点法的二次电压—无功功率优化

基于原－对偶内点法对电力系统的电压－无功优化问题进行了分析,首先对原－对偶内点法进行了扩展,使之能处理电压－无功优化控制中大量不等式约束;此外,提出了一种新的壁垒参数和步长的控制策略,并采用了一种有效的预测－校正方法来提高算法的收敛速度。实际电网中优化计算表明,原－对偶内点法可有效地解决大规模电网的电压－无功优化问题。     

基于自适应免疫算法和预测-校正内点法的无功优化

针对电力系统无功优化问题,将自适应免疫算法（adaptive immtme algorithm,AIA）和预测-校正内点法相结合,提出了一种新的混合优化算法．先利用AIA进行大范围全局寻优,找到候选最优点,把它作为内点法的初始可行点,再通过预测-校正内点法在初始可行点的邻域内进行局部的确定性搜索,提高解的精度和速度;在此基础上,根据对偶间隙的变化过程,提出了对中心参数及相应障碍参数的改进选择方法,有效地避免了数值振荡,使计算精度及收敛速度均得到明显改善．将上述方法用于IEEE14节点系统,计算时间为2．0s,优化后网损下降2．27％;而用于IEEE118节点系统,计算时间为322s,优化后网损下降14．29％．这表明本文所提出的算法在计算速度和精度上较其他方法均有明显改进．     

一种压缩感知中的改进的正则化牛顿算法

提出了一种新的压缩感知重构算法——正则化牛顿算法.该算法结合了牛顿法重建效果好和正则化正交匹配追踪(Regularized Orthogonal Matching Pursuit,ROMP)收敛速度快的优点.并且在此基础上,针对原有的正则化过程进行了改进.Madab仿真结果表明,文中提出的算法在重构精度上要高于正交匹配追踪(Orthogonal Matching Pursuit,OMP)和正则化正交匹配追踪(ROMP),而在迭代次数和重构时间上要低于牛顿法和正交匹配追踪(OMP).