一类求解线性约束非线性规划问题的可行方向法

Wilson,Han和Powell提出的序列二次规划方法(简称SQP方法)是求解非线性规划问题的一个著名方法,这种方法每次迭代的搜索方向是通过求解一个二次规划子问题得到的,本文受[1]启发,得到二次规划子问题的一个近似解,进而给出了一类求解线性约束非线性规划问题的可行方向法,在约束集合满足正则性的条件下,证明了该算法对五种常用线性搜索方法具有全局收敛性。     

带约束不可微凸规划的一个次梯度可行方向法

本文提出了一种计算带约束不可微凸规划问题的算法。这是一种利用有关函数的次梯度的可行方向法,它也可以作为[2]中给出的无约束bundle方法在带有不可微凸的约束情形下的推广。本文给出了算法收敛性的证明。对于求解本算法中所用到的计算多面体凸锥与凸多面体间最短距离这个子问题,也给出了一个收敛性得以保证的方法。     

一个用次最优化方法解线性约束凸规划的超线性收敛算法

对于带有线性约束的非线性规划的求解问题已有很多算法.其中文献[1,2]将变尺度法分别与既约梯度法、投影梯度法结合,在一定的假设条件下给出了两种超线性收敛的算法;文献[3]处理了退化问题.Zangwill 提出了用求某些流形上的次最优来求解原线性约束凸规划的方法,即将原规划问题的求解问题转化为一系列的求解线性等式约束的子问题,以图最后找到原问题的最优解所在的流形并解之.这种做法使问题变得简单有其实用价值.文献[5]给出了 Zangwill 算法的改进,讨论了退化问题,但[5]总是假定可     

具有线性等式和不等式约束的非线性规划的一个算法

§1.引言既约梯度法是求解非线性规划的一类方法.我们目前只看到约束为线性等式或非线性等式的既约梯度法,对于线性不等式或非线性不等式约束的情形还没有相应的既约梯度法.如果通过松驰变量把线性不等式约束化成线性等式的情形处理,则要增加变量的维数,而这是与既约梯度法的思想背道而驰的.在本文中,我们结合既约梯度法与 Ritter在文献[3]中的思想,对具有线性等式和不等式约束的非线性规划问题给出了一种算法,它保留了既约梯度法降低维数的优点,又简化了 Ritter 在[3]中给出的算法.另外,我们还证明了算法的收敛性.     

可行方向法的统一探讨：二阶段算法模型

1 引言可行方向法是非线性规划中一类思想简单数值效果好的基本方法。特别是对线性约束问题,这类方法一直受人欢迎。但由于非线性约束带来的困难,这一领域内的工作近年来并不多见。文[1]曾统一和推广了国内外文献中常见的投影梯度和既约梯度法。本文首先提出一个二阶段算法模型用来解不等式约束问题,大范围地统一和推广了现有的可行方向法。然后,对于一般非线性规划问题,本文利用仅含等式约束的Lagrange函数作为搜索函数,直接应用上述模型的结果给出相应的模型,大大推广和简化了[2]中方法。具体选     

线性等式约束多目标规划的一个降维算法

本文提出具有线性等式约束多目标规划问题的一个降维算法．当目标函数全是二次或线性但至少有一个二次型时，用线性加权法转化原问题为单目标二次规划，再用降维方法转化为求解一个线性方程组．若目标函数非上述情形，首先用线性加权法将原问题转化为具有线性等式约束的非线性规划，然后，对这一非线性规划的目标函数二次逼近，构成线性等式约束二次规划序列，用降维法求解，直到满足精度要求为止．     

线性约束优化问题的开关算法模型及其应用

本文利用开关函数．建立了解线性约束优化问题的一个组合型可行方向法─—开关算法模型，并给出了其收敛性质，从而统一、推广了包括起线性收敛的算法在内的常见的可行方向法．依此模型，具体构造了一类起线性收敛的新算法．     

凸规划的新算法

对一般凸目标函数和一般凸集约束的凸规划问题新解法进行探讨,它是线性规划一种新算法的扩展和改进,此算法的基本思想是在规划问题的可行域中由所建－的一个切割面到另一个切割面的不断推进来求取最优的。文章对目标函数是二次的且约束是一般凸集和二次目标函数且约束是线性的情形,给出了更简单的算法。     

一般凸规划的次梯度投影算法

一般凸规划的次梯度投影算法夏建业（广州金融专科学校基础部）本文对一般非光滑约束凸规划给出了一个新的可行方向算法，此算法是通过修改和推广Ｖ．ＰＳｒｅｅｄ－ｈａｒａｎ［８，９］对某一特定类型非光滑约束凸规划提出的次梯度投影法所得到的．对此算法，本文讨论了...     

参数凸二次规划的线性稳定性

本文研究参数凸二次规划的最优解集的稳定性。首先给出参数数学规划的方向线性稳定的定义，然后利用集值映射的微分理论证明线性约束参数凸二次规划是线性稳定的。     

一般线性或非线性约束下的共轭投影变尺度方法

梯度投影法是一类有效的约束最优化算法，在最优化领域中占有重要的地位．但是，梯度投影法所采用的投影是正交投影，不包含目标函数和约束函数的二阶导数信息·因而；收敛速度不太令人满意．本文介绍一种共轭投影概念，利用共轭投影构造了一般线性或非线性约束下的共轭投影变尺度算法，并证明了算法在一定条件下具有全局收敛性．由于算法中的共轭投影恰当地包含了目标函数和约束函数的二阶导数信息，因而收敛速度有希望加快．数值试验的结果表明算法是有效的．     

Remark on the Successive Projection Algorithm for the Multiple-Sets Split Feasibility Problem

Recently, assuming that the metric projection onto a closed convex set is easily calculated, Liu et al. (Numer. Func. Anal. Opt. 35:1459–1466, 2014) presented a successive projection algorithm for solving the multiple-sets split feasibility problem (MSFP). However, in some cases it is impossible or needs too much work to exactly compute the metric projection. The aim of this remark is to give a modification to the successive projection algorithm. That is, we propose a relaxed successive projection algorithm, in which the metric projections onto closed convex sets are replaced by the metric projections onto halfspaces. Clearly, the metric projection onto a halfspace may be directly calculated. So, the relaxed successive projection algorithm is easy to implement. Its theoretical convergence results are also given.     

一般单调变分不等式的近似邻近外梯度算法

近似邻近点算法是求解单调变分不等式的一个有效方法,该算法通过解决一系列强单调子问题,产生近似邻近点序列来逼近变分不等式的解,而外梯度算法则通过每次迭代中增加一个投影来克服一般投影算法限制太强的缺点,但它们均未能改变迭代步骤中不规则闭凸区域上投影难计算的问题.于是,本文结合外梯度算法的迭代格式,构造包含原投影区域的半空间,将投影建立在半空间上,简化了投影的求解过程,并对新的邻近点序列作相应限制,使得改进的算法具有较好的收敛性.     

基于迭代投影的梯度硬阈值追踪算法

梯度硬阈值追踪算法是求解稀疏优化问题的有效算法之一.考虑到算法中投影对最优解的影响,提出一种比贪婪策略更好的投影算法是很有必要的.针对一般的稀疏约束优化问题,利用整数规划提出一种迭代投影策略,将梯度投影算法中的投影作为一个子问题求解.通过迭代求解该子问题得到投影的指标集,并以此继续求解原问题,以提高梯度硬阈值追踪算法的计算效果.证明了算法的收敛性,并通过数值实例验证了算法的有效性.     

An efficient algorithm for linear programming

A simple but efficient algorithm is presented for linear programming. The algorithm computes the projection matrix exactly once throughout the computation unlike that of Karmarkar’s algorithm where in the projection matrix is computed at each and every iteration. The algorithm is best suitable to be implemented on a parallel architecture. Complexity of the algorithm is being studied.     

Wolfe步长规则下约束优化问题的共轭梯度投影算法

本文研究了约束优化问题min x∈Ωf(x).利用共轭梯度算法与GLP梯度投影思想相结合的方法,构造了一个新的共轭梯度投影算法,并在Wolfe线搜索下获得了该算法的全局收敛性结果.     

Accelerated reflection projection algorithm and its application to the LMI problem

We discuss accelerated version of the alternating projection method which can be applied to solve the linear matrix inequality (LMI) problem. The alternating projection method is a well-known algorithm for the convex feasibility problem, and has many generalizations and extensions. Bauschke and Kruk proposed a reflection projection algorithm for computing a point in the intersection of an obtuse cone and a closed convex set. We carry on this research in two directions. First, we present an accelerated version of the reflection projection algorithm, and prove its weak convergence in a Hilbert space; second, we prove the finite termination of an algorithm which is based on the proposed algorithm and provide an explicit upper bound for the required number of iterations under certain assumptions. Numerical experiments for the LMI problem are provided to demonstrate the effectiveness and merits of the proposed algorithms.     

解非线性约束拟凸规划的一个梯度投影法

目前国内外所流行的梯度投影法(包括Rosen的原有算法和一些修正算法)还存在以下几个问题:一、要增加Polak程序以保证算法的收僉性。二、在计算投影梯度时,每步一般要作两次投影。三、对于非线性约束问题,负梯度投影方向是不可行的,因此必须在此方向的基础上构造出能保证算法收歛的新可行下降方向。而目前为构造出这个新方向所作的计算都比较复杂。 1981年[5]提出了一个处理线性约束条件的梯度投影法,基本上解决了线     

利用Fisher函数解非线性不等式约束优化问题的梯度投影算法

本文将利用梯度投影与Fisher函数提出一个新的二阶段搜索方向,给出相应的解非线性不等式约束优化问题的梯度投影算法,并证明了该算法具有全局收敛性.     

Subgradient Projection Algorithms and Approximate Solutions of Convex Feasibility Problems

In the present paper, we use subgradient projection algorithms for solving convex feasibility problems. We show that almost all iterates, generated by a subgradient projection algorithm in a Hilbert space, are approximate solutions. Moreover, we obtain an estimate of the number of iterates which are not approximate solutions. In a finite-dimensional case, we study the behavior of the subgradient projection algorithm in the presence of computational errors. Provided computational errors are bounded, we prove that our subgradient projection algorithm generates a good approximate solution after a certain number of iterates.