排序对策的一个新的收益分配准则

针对一个机器的排序问题,给出了排序问题中成本增加量的表达式,提出了收益分配的不小于成本增加量准则。针对一类特殊的排序问题,给出一个符合不小于成本增加量分配准则的解,并证明了它满足有效性,哑元性和单调性。结合一个算例,对本文的提出的方法进行了分析验证。     

具有区间支付的宗派对策

在区间不确定环境下,针对具有否决权的成员与其他成员之间的合作,建立了具有区间支付的宗派对策。在区间核心中,非宗派成员得到的区间分配不能超过他对大联盟的边际贡献。给出了完全区间宗派对策的等价条件。当相应的区间减法可行时,完全区间宗派对策的区间核心中的分配可以通过两种单调区间分配方案扩张得到。算例验证了模型的有效性。     

具有学习效应的排序对策

建立了具有学习效应的排序对策模型,在这类排序对策中,工件的实际加工时间不再是常数,而是关于工件位置的递减幂函数。当所有工件的正常加工时间相等时,松弛可行顺序的条件,相应的排序对策是均衡的,但不一定是凸对策。     

$P_*(\kappa)$线性互补问题的Mehrotra型预估-校正算法

Mehrotra-type predictor-corrector algorithm,as one of most efficient interior point methods,has become the backbones of most optimization packages.Salahi et al.proposed a cut strategy based algorithm for linear optimization that enjoyed polynomial complexity and maintained its efficiency in practice.We extend their algorithm to P_*（κ）linear complementarity problems.The way of choosing corrector direction for our algorithm is different from theirs. The new algorithm has been proved to have an ο(（1+4κ）（17+19κ） √（1+2κn）^3/2log[（x⁰）^Ts⁰/ε] worst case iteration complexity bound.An numerical experiment verifies the feasibility of the new algorithm.     

单调线性互补问题的Mehrotra型预估-校正算法的迭代复杂性

Mehrotra型预估-校正算法是很多内点算法软件包的算法基础,但它的多项式迭代复杂性直到2007年才被Salahi等人证明.通过选择一个固定的预估步长及与Salahi文中不同的校正方向,本文把Salahi等人的算法拓展到单调线性互补问题,使得新算法的迭代复杂性为O(n log((x0)T s0/ε)),同时,初步的数值实验证明了新算法是有效的.