一个确定性的全局优化算法

对广泛应用于工程中一类比式规划问题(P1)给出了一个确定性全局优化算法.通过利用线性化技术,建立了问题(P1)的等价问题(P2)的松弛线性规划(RLP),通过对(RLP)可行域的细分以及一系列(RLP)的求解过程,提出的算法收敛到问题(P1)的全局最优解.最终数值实验表明了提出方法的可行性.     

一类特殊规划的求解算法

二次规划问题是一类重要的优化问题,是NP困难的.通过对已有算法的理解与分析,在假设原问题的Hessian矩阵正定的条件下,作者给出了求解二次规划问题的一种新算法,并讨论了算法的收敛性.     

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.     

利用动态规划求解资源分配问题

动态规划是解决多阶段决策过程最优化问题的一种数学方法,资源分配问题解决将一种或几种资源分配给若干用户或投资于几家企业,以获得最大的效益,它可以是多阶段决策过程,也可以是静态规划问题,都能构造动态规划模型求解。本文针对资源分配问题设计了动态规划求解算法,数值结果表明该算法是可行有效的。     

基于信用迁移的贷款组合多目标优化问题研究

针对现有研究大都仅对单个目标进行优化的现状,提出一种优化决策模型,即将企业信用风险迁移引入到贷款收益率的计算中,以限制资产数目、决策变量上下界等为约束条件,建立组合投资的收益最大、同时方差风险最小的优化决策模型。该模型是一个混合0-1变量的多目标规划问题,提出求解该模型的一种自适应改变惯性权重的离散粒子群算法,数值结果表明该算法是有效的,模型是合理的。     

支持向量机及其训练算法

支持向量机是一种新型通用的机器学习方法,已成为数据挖掘的一种强有力的工具．通过研究线性和非线性支持向量机的模型,给出若干常用的训练算法．     

摩擦市场下多阶段投资组合的均值方差模型

研究税收、红利和新型交易成本下摩擦市场的多阶段均值-方差模型的投资组合问题。在允许卖空的情况下,以终端财富最大化为目标,通过建立辅助问题,利用逆序动态规划的求解方法,得到了各阶段的最优投资策略解析表达式,同时也得到了均值方差有效前沿的解析表达式。     

求解全局优化问题的填充函数法

全局优化问题在许多工程和实际生产中有着广泛的应用,对其方法的研究是当前优化理论方面的一个热点。本文主要研究涉及多峰函数的无约束全局优化问题的方法,以期对解决实际问题提供算法帮助。通过构造一个新的不含指数项的填充函数求解无约束优化问题的全局最优解,首先给出了该填充函数的定义,其次分析了这种填充函数的一些解析性质,设计了一种涉及这种填充函数的算法,最后给出了数值测试例子;与存在的算法的数值试验比较表明,该文提出的算法是有效的。     

An experimental study on the self-adaption mechanism used by evolutionary programming

Evolutionary programming (EP) is one of the most important methods for numerical optimization. Its main technique is the combination of mutations and the self-adaption mechanism. In the past years, studies on EP focused on how to improve the efficiency of mutations with different probability distributions, and few of them touched on the question that the self-adaption mechanism did not work sometimes, but simply followed the original suggestion. So far, no experimental results have shown why this is a question. This paper firstly gives a primary analysis on the behavior of the self-adaption mechanism, and then presents experimental evidences to show why its adaptive ability is doubtful.     

一种基于近似类抽样的组合聚类方法

FCM聚类算法具有线性的时间复杂度,但它对初始化非常敏感。而k-中心点轮换法对初始化不太敏感,但其缺点就是时间复杂度较高,不能直接应用到海量数据集的聚类分析中。为克服这两类聚类算法的缺点,而充分利用它们的优点,很自然地提出一种基于近似类抽样的组合聚类算法。这种组合聚类算法的时间复杂度是O（n2m）。仿真实验表明,它具有稳定的聚类结果。