求解MINLP的几类罚函数方法的分析和探讨

针对混合整数非线性约束优化问题(MINLP)的一般形式,通过罚函数的方法,给出了它的几种等价形式,并证明了最优解的等价性.将约束优化问题转化成更容易求解的无约束非线性优化问题,并把混合整数规划转化成非整数优化问题,从而将MINLP的求解简化为求解一个连续的无约束非线性优化问题,进而可用已有的一般无约束优化算法进行求解.     

对等式约束非线性规划问题的Hestenes-Powell增广拉格朗日函数的进一步研究

本文对用无约束极小化方法求解等式约束非线性规划问题的Hestenes-Powell 增广拉格朗日函数作了进一步研究．在适当的条件下,我们建立了Hestenes-Powell增广拉格朗日函数在原问题变量空间上的无约束极小与原约束问题的解之间的关系,并且也给出了Hestenes-Powell增广拉格朗日函数在原问题变量和乘子变量的积空间上的无约束极小与原约束问题的解之间的一个关系．因此,从理论的观点来看,原约束问题的解和对应的拉格朗日乘子值不仅可以用众所周知的乘子法求得,而且可以通过对Hestenes-Powell 增广拉格朗日函数在原问题变量和乘子变量的积空间上执行一个单一的无约束极小化来获得．     

带有不等式约束的非线性规划问题的一个精确增广Lagrange函数

对求解带有不等式约束的非线性非凸规划问题的一个精确增广Lagrange函数进行了研究．在适当的假设下,给出了原约束问题的局部极小点与增广Lagrange函数,在原问题变量空间上的无约束局部极小点之间的对应关系．进一步地,在对全局解的一定假设下,还提供了原约束问题的全局最优解与增广Lagrange函数,在原问题变量空间的一个紧子集上的全局最优解之间的一些对应关系．因此,从理论上讲,采用该文给出的增广Lagrange函数作为辅助函数的乘子法,可以求得不等式约束非线性规划问题的最优解和对应的Lagrange乘子．     

非线性极大极小问题一个新的QP-free算法

本文研究非线性无约束极大极小优化问题. QP-free算法是求解光滑约束优化问题的有效方法之一,但用于求解极大极小优化问题的成果甚少.基于原问题的稳定点条件,既不需含参数的指数型光滑化函数,也不要等价光滑化,提出了求解非线性极大极小问题一个新的QP-free算法.新算法在每一次迭代中,通过求解两个相同系数矩阵的线性方程组获得搜索方向.在合适的假设条件下,该算法具有全局收敛性.最后,初步的数值试验验证了算法的有效性.     

一种新的求解带约束的有限极大极小问题的精确罚函数

提出了一种新的精确光滑罚函数求解带约束的极大极小问题．仅仅添加一个额外的变量,利用这个精确光滑罚函数,将带约束的极大极小问题转化为无约束优化问题． 证明了在合理的假设条件下,当罚参数充分大,罚问题的极小值点就是原问题的极小值点．进一步,研究了局部精确性质．数值结果表明这种罚函数算法是求解带约束有限极大极小问题的一种有效算法．     

非线性规划——现状与进展

1.引言非线性规划问题是对一个定义在n维空间的单值函数求极值的问题,函数的自变量可能受限制于有限个不等式或等式的约束。通常有如下形式:其中都是定义在上的非线性函数。和是两个非负整数且满足当时,问题是一个无约束优化问题。否则,是一个约束优化问题。当时,问题称为等式约束问题。本文回顾近年来国外在非线性优化方面的一些主要工作。由于作者多年来不在国内,故未能在此介绍国内同行的优秀工作,十分遗憾。     

ABS算法在求解MPEC问题中的应用

应用ABS—隐式LU算法，简化MPEC问题的约束条件，将简化后的MPEC问题转化为目标函数带有罚函数子项的非线性无约束优化问题，给出收敛性定理，证明当罚因子足够大时，此非线性无约束问题的极小点就是简化后的MPEC问题的极小点，将此极小点代入本中给出的一个转换公式可得原MPEC问题的极小点，末给出一算例。     

N车探险问题的一种ε-近似度的近似算法

本文探讨了一类N车探险问题的近似算法,首先通过建模将N车问题转变为一个等价的非线性0-1混合整数规划问题,进而将该非线性0-1混合整数规划问题转化为一个一般的带约束非线性规划问题,并用罚函数的方法将得到的带约束非线性规划问题化为相应的无约束问题.我们证明了可通过求解该无约束非线性规划问题得到原N车问题的ε-近似度的近似解,并设计了-个收敛速度为二阶的迭代箅法,文章最后给出算法实例.     

惩罚函数法

引言非线性规划问题大致可分为两类:一类是无约束最优化问题:极小化f(x),x=(x_1,…,x_n)~T∈E~n;(0.1)另一类是约束最优化问题:极小化f(x),x=(x_1,…,x_n)~T∈E~n;约束g_j(x)≤0,j=1,…,m;(0.2)h_k(x)=0,k=1,…,l。     

非线性整规划的连续化

本文讨论了非线性整规划问题的连续化途径．结论是可以将无约束和有约束的非线性整规划全局解问题化为非线性连续规划问题求解．     

不用导数求函数无约束极小值的一种方法

本文在Powell法和华罗庚的抛物体法的基础上提出了不用导数求函数无约束极小值的一种新方法。方法的基本思想是,将所给的非线性函数φ(x)在初始点x_1附近用一个近似二次函数f(x)来代替,对这个二次函数求出R~n上或一个子空间上的极小点x_2,并以此作为新的初始点,重复迭代过程,直至求出一个极小点的满意的近似点。本文给出了计算实例,显示了本方法具有比目前公认的有效算法——变尺度法收敛速度快的优点。     

区间自适应遗传算法优化无约束非线性规划问题

针对无约束非线性规划传统优化方法存在的问题,将区间自适应遗传算法引入无约束非线性规划优化中,算法可以利用当前进化信息,自适应移动搜索区间,找到全局最优解,故可缩短搜索区间长度,提高编码精度,降低算法计算量,解决了传统遗传算法处理优化问题时,给定区间必须包含最优解这一问题,这也是本算法有别于其他优化算法的独特优势,为某些最优解所在区间难以估计的无约束非线性规划问题的优化提供了一条有效可行的途径.系统阐述了区间自适应遗传算法的原理,给出了算法优化无约束非线性规划问题的步骤,以MatlabR2016b仿真方式对算法进行了实例测试,结果表明,方法是一种计算稳定、正确、有效、可靠实用的无约束非线性规划优化方法.     

DFP变尺度法与FR共轭梯度法的二次等价性

研究了求解无约束极值问题的DFP变尺度法和FR共轭梯度法的关系问题.证明了在应用于求解二次函数的极值问题时,若将初始尺度矩阵取为单位矩阵,二者实际上是等价的,即两种方法求出的极小化点列是相同的.     

最优化中的几个问题解的等价性

考虑如下非线性规划问题：众所周知，问题（NP）的解法主要有三类：1．直接处理约束，2．将约束最优化问题化为 无约束最优化问题来处理，3．将（NP）化为简单的约束最优化问题如线性规划或二次规划等来处理，而将约束最优化问题化为无约束最优化问题的主要手段是利用如下的Lagrange函数：L（X，X，X）一八X）＋（X，g（X》十（X，h（X》（1．I）定义1．1称点卜”，V”撤足互补性条件，如果对”（X）一ojE【I：c］（亚．2）根据Lagrange函数（1．1）定义如下问题：（SPP）：求点k”，u”，v」6H””，m二。；＋c，使b“，u“，v」…     

整数规划问题的滤子填充函数算法

全局优化是最优化的一个分支,非线性整数规划问题的全局优化在各个方面都有广泛的应用.填充函数是解决全局优化问题的方法之一,它可以帮助目标函数跳出当前的局部极小点找到下一个更好的极小点.滤子方法的引入可以使得目标函数和填充函数共同下降,省却了以往算法要设置两个循环的麻烦,提高了算法的效率.本文提出了一个求解无约束非线性整数规划问题的无参数填充函数,并分析了其性质.同时引进了滤子方法,在此基础上设计了整数规划的无参数滤子填充函数算法.数值实验证明该算法是有效的.     

0-1非线性混合整数规划的罚函数解法

本文中我们对一类0-1非线性混合整数规划的解法进行了探讨,通过罚函数把有约束问题化为相应的无约束问题,我们证明了可通过求解一个无约束非线性规划问题得到原问题的ε近似极小解,数值试验表明算法是有效的.     

一个新锥模型信赖域算法

1引言本文考虑的无约束最优化问题为(?)f(x),(1.1)其中f(x)为连续可微函数.解此问题的很多算法一般都采用二次函数模型去逼近f(x) ([10],[15]).对于一些非二次性态强、曲率变化剧烈的函数,用二次函数模型去逼近可能效果不好,因此Davidon于1980年首次提出了解无约束优化问题的锥模型方法.锥模型是二次模型的推广,比二次函数具有更多的自由度,因此期望能够更充分地逼近原函数.对于一些在极小点附近很不对称,或曲率变化剧烈的函数,或在某个区域内变化大的函数,全部或部分用锥模型去逼近的效果可能好于用二次模型去逼近.     

非线性0-1规划问题的混沌粒子群算法

针对非线性0-1规划问题,提出了一种混沌粒子群优化算法.该算法利用罚函数法将非线性0-1规划问题处理为无约束的0-1规划问题,引入了混沌策略来初始化种群,增加其多样性,为预测算法是否出现早熟现象,采用了适应度方差.数值实验表明,提出的算法是求解非线性0-1规划问题的一种有效且可行的全局优化算法.     

一个修正的罚函数方法

本文通过给出的一个修正的罚函数,把约束非线性规划问题转化为无约束非线性规划问题.我们讨论了原问题与相应的罚问题局部最优解和全局最优解之间的关系,并给出了乘子参数和罚参数与迭代点之间的关系,最后给出了一个简单算法,数值试验表明算法是有效的.     

球约束凸二次规划的一个新算法

首先利用Lagrange对偶 ,将球约束凸二次规划问题转化为无约束优化问题 ,然后运用单纯形法求解无约束优化问题 ,从而获得原问题的最优解