关于有效点与真有效点的几个定理

本文推广了Ｂｅｎｓｏｎ真有效点的定义，给出了凸锥相对内部的一个刻划，并在无尖性假设情况下，利用凸锥相对内部的刻划，证明了Ｈａｒｔｌｅｙ真有效点与改进的Ｂｅｎｓｏｎ真有效点是等价的；同时给出了一些有效点与真有效点标量化的一些结果．     

集值映射全局真有效次梯度下的Moreau-Rockafellar定理

本文研究了集值映射的Moreau-Rockafellar型定理的问题.利用集值映射弱次梯度的Moreau-Rockafellar定理,在内部(锥)-凸条件下,获得了集值映射关于全局真有效性的Moreau-Rockafellar型定理结果,推广了集值映射在锥-凸假设下的Moreau-Rockafellar型定理的结果,所得结论深化和丰富了最优化理论的内容.     

关于向量集值优化的Benson真有效性

对广义锥次数凸向量集值优化问题Benson真有效性解的标量化问题进行了研究,借助于一种新的择一性定理建立了广义锥次类凸向是集值优化问题Benson真有效解的Lagrange乘子型定理并讨论了乘子型对偶问题。     

集值映射向量优化问题的ε-真有效解

本文讨论集值映射向量优化问题的ε-真有效解。在集值映射为广义锥-次类凸的假设下,建立了这种解的标量化定理,ε-Lagrange乘子定理,ε-真鞍点定理和ε-真对偶性定理。     

Benson真有效意义下向量集值优化的广义Fritz John条件

引入了一种有关集值映射的切导数和强、弱*伪凸的概念。借助凸集分离定理及锥分离定理建立了Benson真有效意义下向量集值优化导数型的FritzJohn最优性条件,并对条件的充分性进行了讨论。当特殊到单值映射时这些最优性条件与经典的结果完全吻合。     

集值映射向量优化问题的e-真有效解

引入了集值映射向量优化问题的αe-弱有效解、e-真有效解、e-真鞍点概念,在近似广义C-次似凸条件下,建立了e-真有效解的标量化定理、Lagrang乘子定理和e-真鞍点定理,并讨论了集值映射向量优化问题的αe-弱有效解的标量化定理和Laugrange乘子定理,推广了已有结果。     

生成锥内部凸-锥-类凸集值优化问题的Henig真有效性

该文讨论局部凸空间中的约束集值优化问题. 首先, 在生成锥内部凸-锥-类凸假设下, 建立了Henig真有效解在标量化和Lagrange乘子意义下的最优性条件. 其次, 对集值Lagrange映射引入Henig真鞍点的概念, 并用这一概念刻画了Henig真有效解. 最后, 引入了一个标量Lagrange对偶模型, 并得到了关于Henig真有效解的对偶定理. 另外, 该文所得结果均不需要约束序锥有非空的内部.     

集值映射多目标半定规划的Benson真有效性

将多目标半定规划问题推广到集值映射,在广义锥-次类凸条件下,在Benson真有效性意义下研究了问题的标量化,Lagrange函数与无约束化,真鞍点条件和对偶性.     

锥-次预不变凸集值优化问题近似解的最优性条件[英文]

本文讨论相依上图导数形式下广义锥-预不变集值优化近似解的最优性条件问题. 首先, 引入锥-次预不变凸集值映射的概念, 并举例说明次类广义锥-凸性是锥-预不变凸性的推广. 其次, 得到了锥-次预不变凸集值映射的两个有用性质. 最后, 在锥-次预不变凸性条件下, 分别建立了集值优化问题强近似极小元和弱近似有效元的充分最优性条件.     

次预不变凸集值优化导数型最优性条件

引入了集值映射的α-阶锥次预不变凸概念,借助于α-阶相依上导数,建立了锥次预不变凸集值映射的导数型择—性定理,并利用择—性定理获得了集值优化导数型的最优性必要条件.     

Benson Proper Efficiency in the Vector Optimization of Set-Valued Maps

This paper extends the concept of cone subconvexlikeness of single-valued maps to set-valued maps and presents several equivalent characterizations and an alternative theorem for cone-subconvexlike set-valued maps. The concept and results are then applied to study the Benson proper efficiency for a vector optimization problem with set-valued maps in topological vector spaces. Two scalarization theorems and two Lagrange multiplier theorems are established. After introducing the new concept of proper saddle point for an appropriate set-valued Lagrange map, we use it to characterize the Benson proper efficiency. Lagrange duality theorems are also obtained     

生成锥内部凸-锥-类凸集值优化问题的标量化和鞍点

讨论集值向量优化的标量化和鞍点问题.在生成锥内部凸-锥-类凸假设下,建立了集值向量优化问题在（弱）有效和Benson真有效意义下的标量化定理和鞍点定理.     

非凸向量集值优化Benson真有效解的最优性条件与对偶

在无需偏序锥内部非空的情况下给出了非凸约束向量集值优化Benaon真有效解一种加细的最优性条件，并建立了向量集值优化Benson真有效解一种改进的Lagrange乘子型对偶，它比已有的Lagrange乘子型对偶具有较好的对偶性。     

SEPARABLE CONDITIONS AND SCALARIZATION OF BENSON PROPER EFFICIENCY

Under the assumption that the ordering cone has a nonempty interior and is separable （or the feasible set has a nonempty interior and is separable）, we give scalarization theorems on Benson proper effciency. Applying the results to vector optimization problems with nearly cone-subconvexlike set-valued maps, we obtain scalarization theorems and Lagrange multiplier theorems for Benson proper effcient solutions.     

序线性空间中广义半似凸集值映射向量优化的Benson真有效性

在序线性空间中建立了广义半似凸集值映射的择一定理.利用向量闭包,引进了集值优化的Benson真有效解.在广义半似凸的假设下,获得了Benson真有效性意义下的标量化定理,Lagrangian乘子定理和鞍点定理.     

Benson真有效意义下向量集值优化的广义Fritz-John条件

借助Clarke切锥并用上图引入了关于集值映射的Clarke切导数.借助于一种新的择一性定理建立了向量集值优化问题在弱Benson真有效意义下的广义Fritz-John最优性条件,而且证明在一种伪凸的假设下,这种最优性条件还为充分的.     

Benson真有效意义下集值优化的广义最优性条件

本文引入了关于集值映射的α-阶Clarke切导数、α-阶邻接切导数及α-阶 伴随切导数的概念,借此建立了约束向量集值优化Benson真有效解导数型的Kuhn- Tucker条件.     

ε-Optimality Conditions for Vector Optimization Problems with Set-Valued Maps

In this paper, I introduce two kinds of ε-subgradients—ε-Pareto subgradients and ε-Benson proper subgradients—for set-valued maps. I give sufficient conditions for the existence of such ε-subgradients. A generalized ε-Moreau–Rockafellar type theorem for ε-Benson proper subdifferentials of set-valued maps is formulated and applied to establish ε-optimality conditions for ε-Benson proper efficient solutions of vector optimization problems with set-valued maps. Scalarization theorems for such a problem are also obtained.