一种基于相对熵(CE)方法的新的随机水平值下降算法

为了使得随机积分水平集算法中的积分水平值能够更加有效地下降,使每次下降得到的参数更适应目标函数,本文将相对熵方法应用到随机积分水平集算法中来.利用相对熵中的ASP问题给出了一种新的参数更新方法,数值试验证明了其科学性.最后就该方法给出了更加一般的参数更新方法并给出了算法.     

求解全局最优问题的多重点样本水平值估计的相对熵算法

研究有界闭箱约束下的全局最优化问题,利用相对熵及广义方差函数方程的最大根与全局最小值之间的等价关系,设计求解全局最优值的积分型水平值估计算法.对采用重点样本采样技巧产生的函数值按一定规则进行聚类,从而在各聚类中产生的若干新重点样本,结合相对熵算法,构造出多重点样本进行全局搜索的新算法.该算法的优点在于每次迭代选用当前较好的函数值信息,以达到随机搜索到更好的函数值信息.同时多重点样本可有利挖掘出更好的全局信息.一系列的数值实验表明该算法是非常有效的.     

一种无约束全局优化的水平值下降算法

本文研究无约束全局优化问题,建立了一种新的水平值下降算法(Level-value Descent Method,LDM).讨论并建立了概率意义下取全局最小值的一个充分必要条件,证明了算法LDM是依概率测度收敛的.这种LDM算法是基于重点度取样(Improtance Sampling)和Markov链Monte-Carlo随机模拟实现的,并利用相对熵方法(TheCross-Entropy Method)自动更新取样密度,算例表明LDM算法具有较高的数值精度和较好的全局收敛性.     

关于数学期望型水平值逼近优化问题总极值的算法

本文研究用数学期望型水平值逼近一类优化问题总极值的算法,证明了算法所构造的数学期望型水平值迭代方程的解的存在唯一性,同时证明了方程的解是原来优化问题的总极值,并对可统一到该算法理论框架下的几种可实现算法进行了简要描述,数值实验结果验证了算法的有效性.     

凸二次整数规划的随机水平值逼近算法

对凸二次整数极小化问题提出了一种随机水平值逼近算法,该算法应用了重点取样技术,并利用极小化相对熵的思想来更新取样密度．对算法的渐近收敛性进行了证明,给出了数值实验的结果．     

变测度的积分型全局优化算法

郑权等首先提出积分-水平集求总极值的方法,实现算法中采用Monte-Carlo 随机投点产生近似水平集来缩小搜索区域范围,但这一算法可能失去总极值点．此后,邬 冬华等给出了一种修正的积分－水平集的方法,一种区域不收缩的分箱方法以保证总极 值点不被丢失．本文在此基础上采取对不同的箱子采用不同的测度这一策略,使水平值 更充分的下降,更快的达到全局极小值,以提高修正算法的计算效率．最后给出的数值算 例说明了算法是有效的．     

一类新的水平值估计方法的全局最优性条件研究

本文提出全局优化的一类新的水平值估计方法,研究了方差方程的根与原始问题的最优值之间的等价性,并通过v-方差函数的研究,得出了相应的最优性条件.     

水平集方法与距离函数

讨论了有关水平集方法的基本问题,如保持为距离函数的方法,水平集方程解的存在性和唯一性。主要贡献是证明了,在距离函数约束下,水平集方程在初始零水平集附近有唯一解,它是关于演化界面的有向距离函数。并且用到了一些处理技巧:如注意到原始方程的任意解都是距离函数,将原始方程变化为另一简单形式。由于新的方程组不是一个经典方程组,则它被变换为一个普通形式,其中隐函数方法被采用。     

一种修正的求约束总极值的积分-水平集方法

对于有约束的全局最优化问题,在Chew-Zheng的《Integral Global Optimization》和邬冬华等的《一种修正的求总极值的积分-水平集方法的实现算法收敛性》的基础上,给出一种修正的求约束总极值的积分-水平集方法,它同样具有修正的求总极值的积分-水平集方法的两个特点: 1) 每一步构造一个新函数,它与原目标函数具有相同的总极值; 2) 避免了郑权算法在一般情况下,由于水平集不易求得而造成难以求出水平集的困难．同时给出了其实现算法,并证明了算法的收敛性．     

修正积分水平集方法的随机实现算法

本文提出了一个从随机到确定性的变测度算法，通过对不同的箱子采用不同的测度，将Monte-Carlo随机投点与确定性数论方法相结合的策略，使水平值充分地下降．最后，给出了实现算法收敛性并通过数值实验验证了其有效性．     

积分型总极值方法的最优性条件

郑权提出了求总极值问题的积分—水平集的概念性算法,同时给出了最优性条件.本文构造函数F(x),讨论了该函数的性质,证明求解原问题等价于求解方程F(c)=0的根.在文中给出了相应的总极值存在的最优性条件.     

一个求总极值的变测度算法及其收敛性

利用积分中值定理阐述了积分型方法的实质,指出了其优点与不足,提出相应的改进方法—变测度算法,并对变测度算法的收敛性进行了证明.     

一个求总极值的实现算法及其收敛性

1978年,郑权等首先提出了一种用积分─水平集求总极值的方法及用Monte－Carlo随机投点实现的实现其法,其实现算法是否收敛未解决的问题．本文提出一种用数论方法实现的实现算法,并证明了该实现其法是收敛的．初步的数值结果表明,该实现其法是较有效的．     

修正积分水平集算法的一个实现算法及其收敛性证明

郑权等（1978）在“一个求总极值的方法”一文中给出了一个积分水平集求总极值的概念性算法及Monte-Carlo随机投点的实现算法,其收敛性一直未得以解决,本文在张连生,邬冬华等提出的修正算法的基础上,利用数论中一致分布佳点集列,给出了一个实现算法及全局收敛性的证明,为了提高算法的计算效率,文中对算法进行了并行化处理。     

Minimum Inter-Particle Distance at Global Minimizers of Lennard-Jones Clusters

In computer simulations of molecular conformation and protein folding, a significant part of computing time is spent in the evaluation of potential energy functions and force fields. Therefore many algorithms for fast evaluation of potential energy functions and force fields are proposed in the literature. However, most of these algorithms assume that the particles are uniformly distributed in order to guarantee good performance. In this paper, we prove that the minimum inter-particle distance at any global minimizer of Lennard-Jones clusters is bounded away from zero by a positive constant which is independent of the number of particles. As a by-product, we also prove that the global minimum of an n particle Lennard-Jones cluster is bounded between two linear functions. Our first result is useful in the design of fast algorithms for potential function and force field evaluation. Our second result can be used to decide how good a local minimizer is.