g-拟凸函数的一个判别准则

证明了如下结果:设g∶H→H,C H是非空开的g-凸集,g(C)是凸集,f是C上的上半连续函数且存在α∈(0,1),使得f(αg(x)+(1-α)g(y))m ax{f。g(x),f。g(y)},x,y∈C,则f为C上的g-拟凸函数.     

非光滑多目标规划非控解和真有效解

考虑问题(P) (?)其中 f(x)=(f_1(x),…,f_m(x))~T,g(x)=(g_1(x),…,g_l(x))~T,C 是 n 维欧氏空间 E_n中的闭集,f_i(x)(i=1,…,m)和 g_j(x)(j=1,…,l)为在 C 的某个邻域中的 Lipschitz函数,D 为 E_l 中的闭凸锥。记R={x|g(x)∈D,x∈C}。设 A 为 E_m 中的非零凸锥。(?)∈R 称为 f(x)(对 A)的非控解,若不存在 x∈R 使     

不等式约束的向量优化中值映射的余切上图导数

考虑如下的参数向量优化问题minK{f(w,x)|x∈X,g(w,x)∈C},这里f:W×X→Y是从赋范空间W和X的积到另一个赋范空间Y的Hadamard可微的单值映射,K Y是一个尖闭凸锥,C是Banach空间Z中的一个尖闭凸锥,g:W×X→Z是一个Fréchet可微的映射.借助目标函数的导数、约束映射的余切导数及拉格朗日映射给出了值映射的余切上图导数的两个表示.     

不可微规划的一个积分下降算法

第一部分 不可微规划一般可写成如下形式 min{f(x)|g(x)≤0,x∈R~n},其中f为R~n→R的函数,g=(g_1,…,g_m),每个g_i也是R~n→R的函数.本文研究不带约束的不可微规划min{f(x)},在第一部分介绍不可微规划的一些基本概念以及两种主要的算法思想,这两种思想将应用在本文的算法设计中.第二部分给出算法采用的基本积分概念,引理及有关结果.第三、四部分分别给出算出S1和S2.     

一种解带补偿的随机规划的逼近方法

其中f(x)∈C~1且f(x)为凸函数,A∈IR~(m×n),x∈IR~n,b∈IR~m.(1)的一般形式可用可行方向法(Topkis-Veinott情形)得到一个Fritz-John点.但当f(x)或△f(x)太复杂以致难以计算时,此方法就不适当.为此考虑逼近问题:     

无正则性条件下的一个信赖域方法的全局收敛性

1.引 言考虑下列等式约束最优化问题:min f(x)x∈Rn (1.1)s.t.C(x)=0其中f:Rn→R,C（x）=（c1（x）,C2（x）,…,Cm（x））T,Ci:Rn→R,（i=1,…,m）.我们假设f（x）,Ci（x）（i=1,2,…,m）是连续可微函数.令g（x）=　f（x）,A（x）=　C（x）T.为了方便,我们通常用 Ck,fk,gk,Ak分别表示 C（xk）,f（xk）,g（xk）A（xk）. SQP方法是一迭代方法.在 xk点,通过解下列子问题来得到搜索方向 dk     

基于拟牛顿方程的非线性最小二乘的新算法

<正>1引言我们知道,非线性最小二乘问题:minf(x)=1/2R(x)~TR(x)=1/2■[r_i(x)]~2,(1)其中x∈R~n称为决策变量,R(x)=(r_1(x),r_2(x),…,r_m(x))~T称为在点x的残向量,目标函数f(x)的梯度和海森矩阵分别为:g(x)=▽f(x)=J(x)R(x)(2)▽~2f(x)=C(x)+S(x)(3)其中,J(x)是R(x)在x处的Jacobian的转置.     

关于非线性規划中鞍点定理的两点注記

§1.鞍点定理中的约束规格我们下面将沿用Arrow,Hurwicz,Uzawa在[2]中所用的术语和记号.准鞍点条件:如(?)使f(x)在约束g(x)≥0下取最大值,f(x)和g(x)是可微的,则存在(?)≥0使得(?)+(?)=0,(?)((?))=0.其中x是n维列向量〈x_1i,x_2,…,x_n〉,y是m维行向量(y_1,y_2,…,y_m).f(x)是     

解有约束总极值问题的弃舍方法和简约方法

1.提出问题 设f(x);g_1(x),…,g_m(x);l_1(x),…,l_r(＊)是n维欧氏空间R~n上的连续函数,试求总极小值 c=inf f(x),x∈G_u, (1)其中 G={x|g_i(x)≤0,i=1,…,m}, (2) L={x|l_j(x)=0,j=1,…,r}. (3)如果问题有解,则求总极值点集H.我们假设、存在实数a,使得水平集 H={x|f(x)≤a,x∈G_0}     

解非线性多点边值问题的一类拟牛顿法

(一)引言 考虑非线性多点边值问题 x=f(x,t) t_1≤t≤t_m (1.1) g(x(t_1),…,x(t_m)=0 t_1相似文献   

一类规划问题的最优性讨论

本首先给出一类新的目标函数的分子和分母及约束函数都含有支撑函数的单目标分式规划问题模型，并打破f(x)，g(x)，h,(x)可微的限制，率先利用凸分析理论讨论了f(x)，g(x)，hj(x)不可微(从而目标函数和约束函数可微性不定)时的最优性条件。     

聚焦平面向量的交汇性

本文就向量与三角函数、解析几何、数列、不等式的综合题作一归纳总结,供参考.一、平面向量与函数、导数的交汇例1.已知向量a=(x2,x 1),b=(1-x,t),若函数f(x)=a·b在区间(-1,1)上是增函数,求t的取值范围.分析:本题主要考查平面向量数量积的计算方法、利用导数研究函数的单调性,以及运用基本函数的性质分析和解决问题的能力.解:依定义f(x)=x2(1-x) t(x 1)=-x3 x2 tx t,则f′(x)=-3x2 2x t.若f(x)在(-1,1)上是增函数,则在(-1,1)上可设f′(x)≥0.∴f′(x)≥0t≥3x2-2x,在区间(-1,1)上恒成立,考虑函数g(x)=3x2-2x,由于g(x)的图象是对称轴为x=13,…     

一类连续最优控制问题的有限维近似

1　引　　言本文考虑具有状态终端约束、控制受限的非线性连续最优控制问题min　h0(x(0))+∫T0f0(x(t),u(t))dt+g0(x(T))(1.1)s.t.　x(t)=f(x(t),u(t)),　　t∈[0,T](1.2)D(x(0))=0,(1.3)E(x(T))=0,(1.4)S(u(t))≤0,　　t∈[0,T](1.5)其中,h0:Rn→R,f0:Rn×Rm→R,f:Rn×Rm→Rn,g0:Rn→R,D:Rn→Rp,E:Rn→Rq,S:Rm→Rr均为二次连续可微函数.T为终端时间(固定),p,q≤n,x(t)∈W1,∞[0,T]n,u(t)∈L∞[0,T]m分别为状态函数和控制函数.U(t)={u:S(u(t))≤0}为紧凸集.问题(1.1)—(1.5)要求寻找最佳控制u(t)使得目标函数(1.1)达到极小.…     

非线性约束条件下梯度投影法的一个统一途径

对于问题(P),我们作如下假设: (H1):g_j(x)(j=1,…,m)为一阶连续可微凸函数.f(x)为一阶连续可微函数. (H2):x∈R={x|x∈E~n,g_j(x)≤0,j=1,…,m}:{g_j(x)|j∈J_J(x)}为线性无关向量组.其中J_0(x)={j|g_j(x)=0}. 自Rosen的梯度投影法产生以来,国内外流行的求解(P)的梯度投影法都是先对切面做投影,然后拉回可行域,目的是保证所取得的搜索方向为可行下降方向.1985年     

关于隐函数样条的凸性分析

本文讨论由隐函数样条F(x)=αg~h(x)-(1-α)f(x)=0,x∈R~(?),0<α<1定义的函数(Functional spline)的凸性,得到:1)当 g(x)=l_0(x),f(x)=multiply from j to k l_j(x),其中,l_j(x)=sum from i=1 to n a_(ij)x_i+b_j 是线性的,且 (?)(x)≥0围成区域Ω,那么在Ω内,当 h>k 时,F(x)=αg~h(x)-(1-α)f(x)=0是凸的;2)在 R~2内,若 f(x,y)=0,g(x,y)=0定义两条凸曲线,那么隐函数样条不一定是凸的.但可以构造 f_1,g_1,使得 f_1与 f 定义同一条曲线,g_1与 g 也定义同一条曲线,而这时的隐函数样条是凸的.本文还给出了一个凸样条的充分条件.     

一种改进的随机次梯度方法的快速收敛性

1引言考虑如下优化问题: min f(x)=sum from i=1 to m f_i(x),s.t. x∈X (1)其中,f_i∶R~n→R是凸函数且f_i不可微,X是R~n上的非空闭凸子集．解(1)的主要方法     

多目标规划的真有效解

考虑问题(P) (?)其中 f(x)=(f_1(x),…,f_m(x))~T,g(x)=(g_1(x),…,g_l(x))~T,一切 f_i(x),g_j(x)为定义在 n 维欧氏空间 E_n 中某开域上的实值函数(为简单起见,不妨认为定义域就是 E_n);D为 E_l 中的凸锥.记约束集为 R={x|g(x)∈D}.设(?)∈R;Λ为 E_m 中包含原点0的闭凸锥.称(?)为有效解,若不存在 x∈R 使     

一类数学规划问题的最优性充分条件及其在随机规划中的应用

在整个文章中,我们假定,(P)中所有函数 f(x),g_i(x).i=1,…,m,h_j(x),j=1,…,p,均为一次可微,且它们的梯度向量具有 Lipschitz 连续性.这种问题可在非线性规划中经常看到,尤其在随机规划中更是经常出现.例如,在二阶段随机规划问题中,若其中的随机变量满足一定的条件,则其等价的确定性规划问题就是上述类型的问题(见[1]).通常,数学规划的最优性充分条件是在假设(P)中所包含的函数均为二次连续可微的     

非线性约束条件下的梯度投影方法

§1.引言 考虑问题:其中R={x∈E~n|h_i(x)≤0,i=1,…,m},并且满足 (H1)h_i(x),i=1,…,m为一阶连续可微的凸函数;f(x)为一阶连续可微函数。 (H2)对A_x∈R:{△h_i(x)|i∈J_0(x)}为线性无关的向量组,其中J_0(x)={i|h_i(x)=0}。 对这类非线性约束的极值问题,以往的梯度投影方法是先对切面做梯度的投影,然后拉回到可行区域,原因是梯度在切面上的投影往往已不是可行方向。本文改变了以往     

非线性微分系统解的有界性和周期解的存在性

本文运用了比较新的手法,证明了非线性微分系统(dx)/(dt)=1/(a(x))[c(y)-b(x)];(dy)/(dt)=-a(x)[h(x)-e(t)](1)(其中a(x),b(x),h(x),c(y),e(t)为连续可微函数,x,y∈R,t∈[0,+∞),且a(x)>0)解的有界性及周期解的存在性,并应用该结论讨论了强迫振动方程:x+(f(x)+g(x)x)x+h(x)=e(t)(2)(其中f(x),g(x)为连续可微函数,x∈R,h(x),e(t)同上)解的有界性及周期解的存在性.