求解随机凸规划概率约束问题的对偶算法

1引言随机规划中的概率约束问题在工程和管理中有广泛的应用.因为问题中包含非线性的概率约束,它们的求解非常困难.如果目标函数是线性的,问题的求解就比较容易.给出了一个求解随机线性规划概率约束问题的综述.原-对偶算法和切平面算法是比较有效的.在本文中,我们讨论随机凸规划概率约束问题:     

凸规划的一个对偶问题

1引言考虑标准的非可微凸规划问题     

解线约束凸规划的势下降算法

A potential reduction algorithm is proposed for optimization of a convex function subject to linear constraints. At each step of the algorithm,a system of linear equations is solved toget a search direction and the Armijo‘s rule is used to determine a stepsize. It is proved that thealgorithm is globally convergent. Computational results are reported.     

修正的IPA算法的建立及在不等式约束凸优化问题中的应用

本文首先对IPA算法进行了修正，并证明了修正IPA算法的收敛性，然后将修正后的IPA应用到不等式约束凸优化问题中得到新的内点算法，并与传统的障碍函数法作了比较，从理论上体现了新算法的优势，并给出了其工程解求解法以及收敛性的证明．     

一类线性约束凸规划的内椭球算法

1引言自从1984年Karmarkar的著名算法——梯度投影算法发表以来,由其理论上的多项式收敛性及实际计算的有效性,使得内点算法成为近十几年来优化界研究的热点（［1］）．通过中外学者的深入研究,线性规划与凸二次规划的内点算法研究已取得了不少成果（［2」、［3〕）．这些算法大致可分为四种类型：梯度投影算法、仿射尺度算法、路径跟踪法和势函数减少法吸3］、〔9〕）．近来,人们开始着手将这些方法推广到非线性规划中的凸规划问题、线性互补问题和非线性互补问题（【6」、［7」、〔sj、［10」、Ill〕）．例如：文［8」对一类凸可分规…     

线性约束凸规划的鞍梯度法

求线性约束凸规划问题的最优解。方法：在鞍梯度法的基础上提出了一个具有全局收敛性的原一对偶外点算法。结果：每步迭代利用Lagrange函数的鞍梯度构造搜索方向，生成次可行解序列，由此得到的序列的极限就是原-对偶问题的最优解。结论：即使从原一对偶问题的不可行点开始迭代算法也收敛。     

连续化方法求解约束凸规划问题

1．引言大型规划问题数值求解一直是计算数学工作者感兴趣的课题之一．针对大型约束规划问题,1991年李兴斯山提出凝聚函数法,该方法用光滑的凝聚函数逼近非光滑的极大值函数,从而把多个约束函数转化为带参数的单个光滑函数约束,从而降低了问题的规模．近年来,K3］研究了凸规划问题的凝聚函数法的收敛性,在目标函数强凸性及对一般凸规划研究了收敛性质．向讨论了可行解集有界的线性规划问题的凝聚函数求解算法并证明了收效性定理．上述文章均预先把凝聚参数取得充分小,然后对固定参数的单约束近似问题进行求解．一般地,凝聚参数取得…     

框式约束凸二次规划问题的内点算法

In this paper,a primal-dual interior point algorithm for convex quadratic progromming problem with box constrains is presented.It can be started at any primal-dual interior feasible point.If the initial point is close to the central path,it becomes a central path-following alogorithm and requires a total of O(√nL)number of iterations,where L is the input length.     

互补约束数学规划问题的一个广义梯度投影罚算法

结合罚函数思想和广义梯度投影技术,提出求解非线性互补约束数学规划问题的一个广义梯度投影罚算法.首先,通过扰动技术和广义互补函数,将原问题转化为序列带参数的近似的标准非线性规划;其次,利用广义梯度投影矩阵构造搜索方向的显式表达式.一个特殊的罚函数作为效益函数,而且搜索方向能保证效益函数的下降性.在适当的假设条件下算法具有全局收敛性.     

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     

PARALLEL MULTIPLICATIVE ITERATIVE METHODS FOR CONVEX PROGRAMMING

1IntroductionInthispaper,wewillconsiderthebehavinrOfparallelmultiplicativeiterativemethodsfortheconstrainedopt~ationproblemwhereIisaconvexcontinuouslydtherentiablefunctiononR;withcompactlevelsetsandlOCallyLiP8chitzcontinuousgradient.In[1]Eggerinontintroducedapracticalapprodriatemethodforsolving(1,1),theresultingalgorithmhastheformwhereVI(x*)isthegradientofl(:)atac,andwbisarelaxation/steplengthparameter,andinwhichMisanarbitrarylfordconstant,andListheLipschitzconstantofVI(x),thatistosaylth…     

一个择一定理及对广义凸规划的应用

本文在实线性空间中得出了广义凸函数的择一定理 ,利用这一定理 ,我们获得广义凸规划的最优性条件     

线性约束0-1 二次规划的一个定界技术

本文给出确定线性约束0－1二次规划问题最优值下界的方法,该方法结合McBride和Yormark的思想和总体优化中定下界的方法,证明了所定的界较McBride和Yormark的要好．求解线性约束0－1二次规划问题的分支定界算法可以利用本文的定界技术．     

一类凸规划的多项式预估校正内点法

1、引言 1990年由Mehrotra对线性规划问题提出了一个称为预估校正的方法,并在1992年给出了其数值算法．1993年Mizuno,Todd和Y．Ye．给出了改进的预估校正内点法,使得一个预估步后只跟一个校正步．1994年F．A．Potra给出了不可行预估校正内点法,使得可以从一个不可行的初始点开始算法的迭代,并证明了其为二次收敛．     

半无限规划的一个对偶问题

本文对半无限凸规划提出一个新的对偶问题，使用扰动函数、次微分和法锥，文中证明了相应的弱对偶性及强对偶性的充要条件．     

非凸规划的对偶问题极值

本文对非凸规划的对偶问题的目标函数极值给出一个表达式 ,从而得出对偶间隙 ,使用的方法是扰动函数的凸色 ,而不使用任何有关凸性的假定     

A INTERIOR POINT ALGORITHM FOR CONVEX NONLINEAR PROGRAMMING PROBLEMS

This paper describes a primal-dual interior paint algorithm for convex nonlinear programming problems subject to linear constraints. The algorithm is based on the path following idea. Each iteration updates a penalty parameter and finds a Newton step associated with the simplified Karush-Kuhn-Tucker system of equations which characterizes a solution of the logarithmic barrier function problem for that parameter. It is shown that the duality gap if reduced at each iteration by a factor of (1 - δ / n~(1/n) ), where S is positive and depends on some parameters associated with the objective function.     

二次规划的内椭球算法

对于标准型的凸二次规划问题本文给出了一个新算法，算法的一每步迭代，利用内椭球的思想来近似求解一个线性质规划子问题而得到迭代方向，再适当选取步长而使之成为多项式算法，其迭代步数为Ｏ（ｎＬ＾２），每一步迭代所需计算量为Ｏ（ｎ＾３）。其中ｎ为变量个数，Ｌ为问题的输入长度。