DEA有效单元排序的一种新方法

通过对DEA有效单元排序中超有效性方法的探讨,提出了一种新的方法.利用对构造模型目标函数的处理,新的方法能够实现对有效单元的完全排序.最后,通过两个算例进一步验证了新方法的可行性和优越性.     

对DEA中有效单元排序的一种新方法

文章对数据包络分析(DEA)的强有效性问题提出了一种新的研究方法.利用有效值和负有效值来构造复合输入和输出这种方法可以实现有效决策单元的完全排序.文章还给出了新方法中模型的一些性质.最后,用两个例子来检验此方法并和其他模型的计算结果进行了比较.     

一类新共轭梯度法的全局收敛性

共轭梯度法是求解无约束最优化问题的有效方法.本文在βkDY的基础上对βk引入参数,提出了一类新共轭梯度法,并证明其在强Wolfe线性搜索条件下具有充分下降性和全局收敛性.     

建立在割线条件上的新Liu-Storey型共轭梯度法的全局收敛性(英文)

我们基于拟牛顿法的割线条件提出两种LS型共轭梯度法.有趣的是,我们提出的方法中对于βk的计算公式与戴和廖[3]提出的有相似的结构.但是,新方法能够在合理的假设下保证充分下降性,这一点是戴-廖方法所不具备的.在强Wolfe线搜索下,给出了新方法的全局收敛结果.数值结果论证了该方法的有效性.     

一种修正的HS共轭梯度法及全局收敛性

<正>1引言考虑无约束极小化问题:(?),(1)其中f(x)连续可微,其梯度函数用g(x)表示.共轭梯度法求解(1)的常用迭代格式为:x_(k+1)=x_k+α_kd_k,(2)(?)(3)其中g_k=▽f(x_k),α_k≥0是由某种线搜索得到的步长因子;d_k为搜索方向,β_k为标量,β_k的不同选择产生了不同的共轭梯度法.著名的β_k公式有:     

基于直觉模糊集的多属性决策方法

对基于直觉模糊信息的多属性决策问题进行了研究,引入了直觉模糊数的得分函数、直觉模糊正理想点和负理想点,然后给出了基于TOPSIS的多属性决策方法,通过计算各备选方案的得分向量与直觉模糊负理想点得分向量之间的距离来确定各备选方案的综合评价指数,进而判断方案的优劣次序.最后,通过一个具体的实例分析说明了该方法的有效性与具体应用过程.     

两类新的变参数下降算法及收敛性

本文对求解无约束优化问题给出两类新的变参数下降算法.在Wolfe线搜索下无需给定充分下降条件,即可证明它们的全局收敛性.大量数值试验表明它们是非常有效的和稳定的,能够广泛用于科学计算.     

一种修正的谱CD共轭梯度算法的全局收敛性

In this paper,we present a new nonlinear modified spectral CD conjugate gradient method for solving large scale unconstrained optimization problems.The direction generated by the method is a descent direction for the objective function,and this property depends neither on the line search rule,nor on the convexity of the objective function.Moreover,the modified method reduces to the standard CD method if line search is exact.Under some mild conditions,we prove that the modified method with line search is globally convergent even if the objective function is nonconvex.Preliminary numerical results show that the proposed method is very promising.     

两类下降的非线性共轭梯度法的全局收敛性

本文在文献[1]中提出了一类新共轭梯度法的基础上,给出求解无约束优化问题的两类新的非线性下降共轭梯度法,此两类方法在无任何线搜索下,能够保证在每次迭代中产生下降方向.对一般非凸函数,我们在Wolfe线搜索条件下证明了两类新方法的全局收敛性.