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     

对方案聚合方法的两点改进

１引言Ｒｏｃｋａｆｅｌｌａｒ和Ｗｅｔｓ共同提出的方案聚合方法（ＳｃｅｎａｒｉｏＡｇｇｒｅｇａｔｉｏｎＭｅｔｈｏｄ,简称ＳＡＭ）［１］已被公认为是解决随机规划的行之有效的且具有极大潜力的好方法．这种方法与以前的逼近方法完全不同,它将含有多阶段条件期望值的复杂的优化问题分解为一系列相对简单的确定性的平行的子问题,把子问题的最优解“聚合”起来做为原问题最优解的估计值．许多计算结果表明［２］［３］,这种方法是独特的、可行的．然而正如两位杰出的作者在［１］中指出的,这种方法还有很大的改进余地,这也正是ＳＡ…