线性均衡约束最优化的一个广义投影强次可行方向法

本文讨论带线性均衡约束最优化问题,首先利用摄动技术和一个互补函数将问题等价转化为一般约束最优化问题,然后结合广义投影技术和强次可行方向法思想,建立了问题的一个新算法.算法在迭代过程中保证搜索方向不为零,从而使得每次迭代只需计算一次广义投影.在适当的条件下,证明了算法的全局收敛性,并对算法进行了初步的数值试验.     

线性约束最优化的一个共轭投影梯度法

本结合共轭梯度法及梯度投影法的思想,建立线性等式约束最优化的一个新算法,称之为共轭投影梯度法。分别对二次凸目标函数和一般目标函数分析和论证了算法的重要性质和收敛性。     

超线性与二次收敛序列线性方程组算法

本文,在无严格互补条件下,对非线性不等式约束最优化问题提出了一个新的序列线性方程组(简称SSLE)算法．算法有两个重要特征:首先,每次迭代,只须求解一个线性方程组或一个广义梯度投影阵,且线性方程组可以无解．其次,初始点可以任意选取．在无严格互补条件下,算法仍有全局收敛性、强收敛性、超线性收敛性及二次收敛性．文章的最后,还对算法进行了初步的数值实验．     

MISO的离散动力系统的最小二乘模型降阶方法

利用最小二乘原理,提出一个基于SVD-Krylov的模型降阶方法,方法兼顾基于SVD模型降阶方法的理论性质和基于Krylov模型降阶方法的有效计算,使得到的降阶系统既能匹配原系统的前r阶模,又能够保持系统的稳定性.利用对称矩阵特征值的极小极大原理,给出了保持系统稳定性的一个新的证明方法,与已有的方法相比,提出的理论证明方法更为简洁.对于离散系统,方法除了能匹配原模型的前r个Markov参数,还可将其推广到任意点处模匹配.数值例子也证明了方法的有效性.     

非线性互补约束规划的一个广义强次可行方向算法

1引言本文讨论带非线性互补约束的最优化问题: (MPEC) (?) (1)其中(x,y,w)∈R~(n m m),f∶R~(n m)→R,g=(g1,g2,…,gl)~T∶R~(n m)→R~l,F= (F_1,F_2…F_m)~T∶R~(n m)→R~m均是连续可微的,w⊥y表示向量w和y是正交的,即w~Ty=0,w ,y∈R~m．记(MPEC)可行集为X．这类问题广泛存在于工程技术、经济、博弈论等各个领域,有着直接的应用价值,故受到人们的广泛关注．关于这方面的应用及部分成果可参考文献[1]-[10]．显然,若将条件F(x,y)⊥y写成内积的形式F(x,y)~Ty=0,则(1)成为一个标准的光滑非线性规划问题(SSNP)．从理论上来说,现有的理论、方法和技术应可以解决问题(1)．遗憾的是,文献[4]     

求解整数规划的单参数填充函数

本文给出了一个新的求解离散全局最优化问题的单参数填充函数,并给出了一个新的算法,同时给出了对几个测试问题的数据计算结果.     

全局优化问题的一个单参数填充函数方法

利用改进的填充函数的定义,对一般的无约束最优化问题给出了一个新的单参数填充函数,分析并证明了此填充函数的性质.利用该填充函数,构造了新的算法,对此算法进行了数值实验,并将此算法做了比较,结果表明此填充函数算法是可行的.