一类优化问题的线性松弛方法

对一类优化问题（P）给出了一线性松弛方法。利用对数的性质建立了问题（P）的等价问题（P1）,利用切平面和凹包逼近,建立了问题（P1）的松弛线性规划（LRP）。通过对可行域线性松弛的逐次细分以及求解一系列的线性规划（LRP）,提出的算法收敛到问题（P1）的全局最优解。数值实验结果表明了提出方法的可行性。     

一类特殊的n元序链的优化研究

论述了当各工序最早开工时间相同时由平行工序转为顺序工序的最优排序问题。通过对特殊的n元序链的优化理论的研究,给出了解决问题的一种方法。     

混合离散变量的整型优化方法

本文对混合离散变量的优化问题进行了探讨,提出了将混合离散变量转换为单一的纯整型离散变量、并在整型空间内对全离散或混合离散变量、约束非线性问题进行优化设计的新方法。     

基于渐近松弛的协同优化方法

针对协同优化方法受起始点影响较大、稳定性不足和收敛难度大的问题，定义了耦合一致度来衡量各学科变量间的一致性要求，并提出了基于渐近松弛的协同优化方法（CO-AR）.该方法的计算过程分为2个阶段：① 根据设定的耦合一致度，确定系统级松弛因子，并计算得到近似全局优化解;② 以第1阶段的优化解作为起始点，并选取符合一致性精度要求的松弛因子进行协同优化，求得最终优化解.减速器标准算例结果表明，所提方法能够大大降低对起始点的敏感程度，有效改善协同优化方法的收敛性和稳定性.
     

一个可行模松弛SQP方法及其全局收敛性

提出一个处理不等式约束优化问题的可行模松弛SQP算法,每次迭代只需求解一个二次规划子问题.无需对迭代序列进行有界假设,采用线性搜索,在一些微弱假设条件下,证得了算法具有全局收敛性质.     

基于最小容忍剩余误差松弛变量的频偏补偿

分布式蜂窝网络中支持多个射频拉远单元(RRU,Radio Remote Unit)和多个用户设备(UE,User Equipment)同时参与协作传输,但是高速运动和其他原因会导致RRU-UE间存在多普勒频偏和时延,而且由于各个RRU-UE支路之间的时频偏不均衡性导致补偿困难。创新性地在补偿过程中加入松弛变量,在满足系统最大容忍剩余频偏约束的前提下求出次优的频偏补偿值。实验结果表明所提出的方法在很好的补偿UE端时频偏的情况下也能够补偿RRU端的频率偏移且效果理想,基于此还可为多点-多用户协作组合优选提供一种良好的筛选判据。     

约束优化一个结合工作集技术的模松弛SQP算法

结合模松弛SOP方法、可行方向法和工作集技术,提出了一个求解非线性不等式约束优化的SOP算法。在每一次迭代,模松弛QP子问题的约束函数个数只决定于相应的工作集。在MFCQ条件下,得到算法的全局收敛性。最后,给出了初步的数值结果。     

带有二次约束的一般二次规划问题的松弛分枝定界方法

考虑带有二次约束的一般二次规划问题的求解，当约束条件为非凸二次函数时，对原问题中的某个二次约束进行凸二次松驰，或在原问题的约束条件中增加一个球约束，使得原问题的可行域包含在松驰二次规划问题的可行域内。采用椭球剖分策略剖分可行域为小 椭球，用投影次梯度算法解松驰二次规划问题的拉格朗日对偶问题，从而获得原问题的一个下界。原问题最优值的一个上界可从迭代过程中的可行点得到，并在迭代过程中得到调整。该算法或在原问题最优值的一个上下界相同时终止，得到原问题的整体最优解；或产生一无限序列，其任一聚点都是原问题的整体最优解。     

拟n维离散变量网格迭代优化方法

在研究离散变量型的优化设计的基础上,建立了离散变量虚实网格结点集;提出了拟3维空间和拟n维空间概念;导出了可计算结点的计算公式;导出了拟n维空间离散变量网格迭代优化方法.解决了在一般工程结构设计实践中,多采用连续变量优化设计加圆整的办法得到近似的离散型结果.然而对高精度要求的工程结构,该方法的计算结果往往与实际相差较大.通过钻井用大型车装井架的实例计算表明,所提出的方法简单易施、可靠性高、收敛快.     

大规模含整变量优化问题的一种分解方法

大规模含整变量优化问题的一种分解方法吴清烈，徐南荣（东南大学经济管理学院，南京２１００１８）国内外学者对变量全为连续型的大规模优化问题研究较多［１］，但对大规模合整变量优化问题的研究甚少．文献［２，３］针对某些特殊大型整数规划问题分别提出了启发式解法...     

基于学习的并行免疫量子进化算法及收敛性

提出了基于学习的多宇宙并行免疫量子进化算法,算法中将种群分成若干个独立的子群体,称为宇宙。宇宙内采用免疫量子进化算法,宇宙间采用基于学习机制的移民、模拟量子纠缠的种群交叉等信息交互方式,使得进化算法具有更好的种群多样性,更快的收敛速度和全局寻优能力。不仅从理论上证明了该算法的收敛,而且通过仿真实验表明了该算法的优越性。     

介观含源RLC并联电路的量子涨落

由于耗散的存在，介观RLC并联电路中的磁通量和电荷不是一对线性厄米算符，因此，构造了一对正则变量，并用该对正则变量作为算符实现了介观RLC并联电路的量子化，在外源作用下，介观RLC并联电路系统由初始本征态将演化到平称Fock态，在平移Fock态中，计算了磁通量和电荷的量子涨落。     

关于并行优化算法的分析

对整体的并行优化算法,如：并行变量分块算法（PVD）、并行梯度分块算法（PGD）、并行变量转换算法（PVT）等进行了分析。这些算法将原最优化问题分解为一系列规模较小的且相互独立的子问题,从而用多台处理机同时对这些子问题求解,减少了工作量、缩短了计算时间。     

Optimization Method for Turbine Airfoil Designing Using Genetic Algorithms, CFD and Parallel Computing

An optimization method to design turbine airfoils using a Genetic Algorithm (GA) design shell coupled directly with a viscous CFD (Computational Fluid Dynamics) analysis code is proposed in this paper. The blade geometry is parameterized and the optimization method is used to search for a blade geometry that will minimize the loss in the turbine cascade passage. The viscous flow prediction code is verified by the experimental data of cascade, which is typical for a gas turbine rotor blade section. A comparative study of the blades designed by the optimization technique and the original one is presented     

介观并联RLC电路的量子化及其量子涨落

从电阻产生的物理机制即电子与品格振动的相互作用出发,对并联电路RLC进行了量子化,并计算了相应物理量的量子涨落．     

量子计算在增量式大数据并行挖掘中的应用

针对传统大数据并行挖掘方法是一次性对所有数据进行挖掘,导致挖掘时间较长,挖掘精度较低等问 题,采用量子计算对增量式大数据并行挖掘方法进行优化设计。首先,按照数据挖掘的基本流程搭建并行数据 挖掘模型; 然后分别通过定义量子比特、量子搜索算法、量子神经网络处理以及量子映射变换4 个步骤,实现 增量式数据的预处理,利用矩阵向量相乘分解得到过滤权重组合,通过该组合实现预处理结果的并行协同过 滤; 最后通过量子模糊聚类得出增量式大数据并行挖掘结果。实验结果表明,应用量子计算的增量式大数据并 行挖掘方法的平均召回率为97． 25%,并行挖掘时间在2． 1 ～ 3． 2 s 的范围内浮动,准确率超过95%,且该方法 的收敛性最好,寻优能力强。     

量子阱LD有源区量子阱数目的优化设计

采用直观的载流子、光子库模型,导出半导体激光器速率方程,得到输入电流、输出光功率的关系以及激光器腔体参数与注入电流的关系,从而给出在设计激光器时遇到的相关限制的方程,以及LD电流与某种形式的电流增益转换因子的关系,根据增益曲线上的最佳工作点来优化有源区量子阱数目．给出了共面量子阱LD在固定有源长度、固定无源区长度的共面量子阱激光器的量子阱数目优化方案．     

热真空态下介观并联LC电路的量子涨落

从经典LC并联电路的运动方程出发，将介观LC并联电路量子化．在此基础上，研究了热真空态下各支路电流和电压的量子涨落．结果表明，各支路电流电压的量子涨落均与电路器件的参数以及温度有关．     

基于网络环境的分布式PGA的结构优化

并行计算是当今数值计算发展的新方向。该文在网络并行环境下探讨了并行遗传算法（PCA）进行结构优化设计及其算法的实现方法。利用4台PC机组成网络平台,进行了钢桁架结构优化设计的数值测试。计算结果表明,设计的并行算法在网络并行计算环境中具有较高的加速比和效率,同时验证了并行遗传算法用于结构优化是可行的和有效的。     

求解三块变量约束凸优化问题的邻近部分平行分裂算法

考虑线性约束三块变量的凸优化问题,在部分平行分裂算法中选取不同步长参数的基础上,提出一种邻近部分平行分裂算法,并证明该算法的收敛性.该算法通过在部分平行分裂算法中选取不同步长参数的基础上,在一个子问题的目标函数中加入邻近项,建立新的参数条件.与部分平行分裂算法相比,该算法极大放松了参数条件,使算法更具实用性.数值实验结果表明,与已有算法相比,该算法的迭代次数和计算时间均显著下降.