退化线性约束凸规划问题的变尺度法

考虑问题: (?)f(x) (NP)其中R={x∈R~n|a_i~Tx≤b_i,i=1,…,m},f(x)一阶连续可微且凸。本文在R退化条件下,给出了一个整体超线性收敛的变尺度法。记N={1,…,m),J(?)N,记A_J={a_i|i∈J}。当γ(A_J)=|J|时,R~n到 R_J={x∈R~n|a_i~Tx=0,i∈J}的正投影矩阵P_J=E_n-A_J(A_J~TA_J)~(-1)A_J~T。若{a_i|i∈I}和{a_i|i∈J}都是{a_i|i∈N′(?)N}的最大线性无关组,则P_J=P_I。x~k∈R,记N_k={i∈N|a_i~Tx~k=b_i},gk=▽f(x~k)。     

一般二次规划问题的交换型零空间方法

一般二次规划问题的形式为:QP:min{f(x)=1/2x~TGx+c~Tx|a_i~Tx≥b_i 1≤i≤m},(1.1)其中 x,c,a_i∈E~n,b_i∈E~1,i=1,2,…,m;G 为 n 阶对称矩阵;“T”表示转置运算.设 x~k∈R={x|a_i~Tx≥b_i,1≤i≤m}.若 a_i~Tx~k=b_i 成立,则称约束 a_i~Tx≥b_i 在x~k 点有效.记:I_k={i|a_i~Tx~k=b_i,1≤i≤m},A_k={a_i|i∈I_k}.以后当不加区别地使用术语“有效集”时,视实际背景或指 I_k 或指 A_k,或指在 x~k 点有效的约束条件的集合.设 A_k 是 n×t_k 的满秩矩阵,Z_k 为 A_k 的零空间     

简约梯度法与ROSEN梯度投影法的一个关系

1 引 言 考虑如下非线性规划问题 min{f(x)|A_1x=b,a_i~Tx≤b_i,i∈I},(1.1)其中I表示所有不等式约束指标集合。设R为(1.1)的可行域,对任意x∈R记A~T(x)=(A_1~T:A_2~T(x)),其中A_2(x)是以a_i,i∈I(x)为行的矩阵,I(x)={i|a_i~Tx=b_i,i∈I},对不同的可行点x∈R,A~2(x)可能不同 问题(1.1)的假设条件。 〈H1〉f一阶连续可微, 〈H2〉x∈R,A(x)行满秩。 1960年Rosen对问题(1.1)给出一种梯度投影法,其基本定理为     

非线性互补问题的L1模算法

非线性互补问题(记作NCP(F))定义为求x∈R~n,满足X≥0,F(x)≥0且X~гF(x)=0。其中F:R~n→R~n。本文假设F(x)是一阶连续可微的。 引人映射H:R~n→R~n,其中H的第i个分量H_i(x)=min(x_i,F_i(x))及其L_1模函数 θ(x)=sum from i=1 to n |min(x_i,F_i(x)|设全集I={1,2,…,n},定义其子集: I_f(x)={i|F_i(x)0}, I(x)={i|F_i(x)=x_i},I_f(x)={i|F_i(x)相似文献   

一类非自治离散周期系统的周期解

τ∈I={τ_0 i,τ_0>0,i=0,1,2,…},x∈R~n,A:I×R~n→R~n×n和b:I×R~n→R~n是连续的.设对所有的(τ,x)∈I×R~n有某个整数m>1,使得A(τ m,x)=A(τ,x),B(τ m,x)=b(τ,x),并记I_0={τ_0,τ_0 1,…,τ_0 m-1}.这时称系统(1)为离散周期系统,用x(τ,τ_0,x_0)表示系统(1)满足初始条件x(τ_0)=x_0的唯一解,并对初始值x_0是这续的,τ≥τ_0>0.利用Schauder不动点定理,可以证明如下的:     

P0-函数箱约束变分不等式的正则半光滑牛顿法

1引言设X C R~n,F：R~n→R~n,变分不等式Ⅵ(X,F)是指：求x∈X,使F(x)~T(y-x)≥0,(?)_y∈X．(1)记i∈N={1,2,…,n},当X=[a,b]：={x∈(?)~n|a_i≤x_i≤b_i,i∈N}时,称Ⅵ(X,F)为箱约束变分不等式(也有些文献称为混合互补问题),记为Ⅵ(a,b,F)．若a_i=0,b_i= ∞,i∈N,即X=(?)_ ~n：={x∈(?)~n|x≥0}时,Ⅵ(a,b,F)化为非线性互补问题NCP(F)：求x∈(?)_ ~n,使x≥0,F(x)≥0,x~TF(x)=0．(2)     

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}     

Karmarkar算法及其变形

研究如下形式的LP minc~Tx, s.t.Ax=0,(1) e~Tx=1,x≥0。其中A为m×n的行满秩矩阵,e=(1,…,1)~T∈R~n。已知x~0=(x_1~0,…,x_n~0)~T为(1)的一个严格可行内点。令Ω={x|x∈R~n,Ax=0},S={x|x∈R~n,e~Tx=1,x≥0},D=diag{x_1~0,…,x_n~0}。我们用统一的观点和方法导出K法和MK法。对(1)进行投影变换T: (?)x∈R~n,有 T(x)=y=(D~(-1)x/(e~TD~(-1)x))。 (2)     

解0-1线性规划Surrogate对偶的一个方法

0—1线性观划不难化为以下形式: (P)minc~Tx s.t.Ax≤b,x∈X这里X={(x_1,…,x_n)~T|x_i=0,1,i=1,…,n},A是m×n矩阵,c~T=(c_1,…,c_n),c_i≤0,(i=1,…,n),b∈R~m.假定(P)是适定的,称x是决策变量,A、b、c是参数变量. 设非负乘子V∈R~m,问题     

一类离散Minimax问题的最优性充分条件

研究下面的离散Minimax问题:(P) min maxf_i(x), x∈S 1≤i≤p其中,S={x∈R~n|g_j(x)≤0,j=1,…,l;h_k(x)=0,k=1,…,m},f_i,g_j,h_k都是R~n上的局部Lipschitz函数.在函数光滑的假设下,[1,2]分别以次梯度与方向导数为工具给出了问题(P)的一些最优性必要条件与充分条件.本文利用广义梯度,在引入Lipschitz函数的广义凸性基础上给出问题(P)的若干Fritz-John与Kuhn-Tucker充分条件,p=1也就给出了一般非光滑     

一种非参数回归估计量的条件 平均绝对误差的指数收敛速度

<正> 设(X,Y),(X_1,Y_1),…,(X_n,Y_n)是取值于R~d×R~1的独立同分布随机变量,E|Y|<∞.以m(x)=E(Y|X=x)记Y对X的回归函数,Q记X的概率分布测度,Z_n记{(X_i,Y_i),i=1,…,n},它是(X,Y)的已知观测值.一般的非参数回归估计问题,就是对指定的x∈R~d,利用Z_n对m(x)进行估计.设θ=θ(x,Z_n)是这样一个估     

求解张量绝对值方程基于连续时间的神经网络方法

1引言考虑如下的张量绝对方程(TAVE):寻找向量x∈R^(n)满足Ax^(m-1)-B|x|^(m-1)=b,(1.1)其中A,B∈T(m,n)且m为偶数,b∈R^(n)为已知向量.这里T(m,n)表示m阶n维实张量的集合,向量|x|定义为|x|=(|x_(1)|,|x_(2)|,…,|x_(n)|)^(T).当m=2时,方程(1.1)退化为下面的(矩阵)绝对值方程(AVE):Ax-B|x|=b.(1.2)方程(1.2)的一个特例是当B为单位矩阵的情形,即Ax-|x|=b.(1.3).     

高考数学模拟卷(二)

一、选择题: 　　1.(理)复数1/i-2+1/1-2i的虚部为 　　A.1/5i B.1/5 C.-1/5i D.-1/5 　　(文)若集合M={x|x=cos nπ/2,n∈Z},则M的真子集个数是 　　A.3B.7C.15D.无穷多个 　　2.已知函数f(x)=2x+3,(x∈R), 若|f(x)-1|0),则a, b之间的关系是……     

非线性规划中一个梯度投影法的收敛性质

我们考虑非线性规划问题(P)■f(x),其中R={x|Ax=a,Bx≤b},A是p×n矩阵,其秩为p,B是q×n矩阵,x∈E~n,a∈E~p,b∈E~q,f(x)∈C~1.我们以R~*表示(P)的最优解集合,并假定R非空.最近,M.S.Bazaraa与J.J.Goode     

Boundedness of Marcinkiewicz integral related to multilinear commutators with variable kernels on Hardy spaces

Let→b=(b1,b2,…,bm),bi∈∧βi(Rn),1≤I≤m,βi＞0,m∑I=1βi=β,0＜β＜1,μΩ→b(f)(x)=(∫∞0|F→b,t(f)(x)|2dt/t3)1/2,F→b,t(f)(x)=∫|x-y|≤t Ω(x,x-y)/|x-y|n-1 mΠi=1[bi(x)-bi(y)dy.We consider the boundedness of μΩ,→b on Hardy type space Hp→b(Rn).     

求解不可微箱约束变分不等式的下降算法

1 引 论 设X(?)Rn是非空闭集,F:Rn→Rn连续映射,变分不等式问题VI(X,F)是指:求x∈X,使 F(x)T(y-x)≥0,　 (?)y∈X,(1)记指标集N=(1,2,…,n},当 X=[a,b]≡{x∈Rn|a≤xi≤bi,i∈N},(2)其中a={a1,a2,…,an}T,b={b1,b2,…,bn}T∈Rn时,VI(X,F)化为箱约束变分不等式VI(a,b,F).若ai=0,bi=+∞,i∈N,即X=R+n≡{x∈Rn|x≥0}时,VI(a,b,F)化为非线性     

随机规划中的几个新的凸性命题

在随机规划(stochastic programming)中有一类所谓机会约束规划(chance constrained programming),它的一般形式是 极小化 φ(x) 满足约束 P(w|A(w)x≥b(w))≥a,0≤a≤1 x∈X其中φ(x)是凸函数,X是R~n上的凸集;A(W)是m×n矩阵,b(W)是m维向量,它们     

由生成函数构成的梯度投影法

本文利用生成函数给出一个梯度投影算法模型,统一处理了一类梯度投影算法的收敛性问题.考虑非线性规划问题(P),其中M={x∈R~n|a_j~Tx=b_j,j∈L_1;a_j~Tx≤b_j,j∈L_2},a_j∈R~n,b_j∈R,j∈L=L_1∪L_2.f:R~n→R,f∈C~1.对于     

半无穷规划模型的一阶必要条件及其内点算法

1 引言 考虑下列半无穷规划(SIP)模型其中x∈R~n为有限维变量,给定点y,函数g(·,y):R~n→R为不等式约束,y是一个无穷点集,它为y~0R~l的闭包,而y~0{y∈R~l:h_i(y)<0,i=1,…,p},y=y\y~0为y~0的边界集合,且设f,g,h_i,i∈{1,…,p}均为充分光滑函数。为了方便,记h=(h_1,h_2,…,h_p)~T,集合Ω~0定义为{x∈R~n:g(x,y)<0,y∈y}的某个连通集合,Ω为Ω~0的闭包,Ω为Ω~0的边界集。     

一类由生成函数构成的可行方向算法

设非线性规划问题(P):min{f(x)|x∈R}。其中f:E~n→E~1,f(x)∈C~1,x∈E~n,R={x|A_x=b,x≥0},A为m×n阶矩阵,rankA=m,b∈E~m。 利用既约梯度建立可行方向算法目前在国内外已有不少,它们的特点在于:(1)将高维问题降为低维问题处理。此时的问题已近似于一个无约束的问题;(2)在计算的每一步上都是显式迭代,而不必去解一个复杂的线性的或二次的规划。这些特点使得算法变