点到集映像族与最优化算法

自从 Zangwill 把点到集映像引入数学规划以来,十多年来出现了不少这方面的专门文章.以点到集映像为手段来建立算法的统一理论,已成为数学规划的一个研究方向.Denel 和越民义进一步发展了 Zangwill 的工作,他们分别考虑了单降和单增点到集映像族,给出了由单降和单增点到集映像族构造的一些最优化一般算法,并在适当的条件下证明了这些算法的收敛性.在本文中,我们用一般的点到集映像族构造了若干算法,其     

点到集映象族二步算法的弱收敛性

1.引言文献[1]首次提出了仅与空间的拓扑性质有关的点到集映象族一步算法的弱收敛条件,这些条件是对[2]～[7]中相应结果的改进和推广。本文将这些条件推广到点到集映象族的二步算法中去,得到了相应的结果,下面仅给出几个假设条件与部分定理等。 2.二步算法设X_0、X_1(?)R~n为紧集,M为X_0的子集,{⊿_ρ|ρ≥0}、{F_t|t≥0}分别为从X_0到2~(X_1)和从X_0×X_1到2~(X_(?)的点到集映象族,     

关于单降点到集映象族一般算法收敛性条件的改进

[1]给出了两个单降点到集映象簇的一般算法。在比[1]较弱的条件下,我们证明了算法的收敛性。对一般的点到集映象簇,我们定义了两个算法。在较弱的条件下,也证明了算法的收敛性。     

点到集映像和点到集映像族的连续化

一个最优化算法的迭代过程,可以看做一个点到集映像的取值过程。从这个观念出发,Zangwill建立了全局收敛定理,统一了许多算法的收敛性证明。但是,同一个算法可以看做许多不同的点到集映像的取值过程。事实上,把一点对应于从该点按算法可能达到的下一点的全体形成的点到集映像称为算法所对应的点到集映像,那么,任一点到集映像,若它的像集于任一点外都包含算法所对应的点到集映像的像集,其取值过程均包含了     

ρ单增点到集映象簇(英文)

本文引入了一个ρ单增点到集映象簇,并定义了两类算法。在相当简单的条件之下,证明了由这些算法所产生的叙列的每一聚点皆属于某一特定的集。然后,证明了诸如ZangWill,Huard等人的结果皆是本文结果的直接推理。最后,用例子证明本文结果是上述诸人的结果的一真正扩充。     

闭点到集映象的若干性质

点到集映象的闭性在数学规划理论研究方面起着相当重要的作用。本文给出了闭点到集映象的若干性质,其中一些在数学规划算法的收敛性方面是有用的;同时还给出了闭映象的逆映象的一些性质以及它们之间有趣的对称性。     

集值1—集压缩映象的重合点与不动点

本文在Banach空间中,证明了集值l—集压缩映象对的重合点定理与集值l—集压缩映象列的公共不动点定理.     

σ -局部有限集族与度量空间的σ -映象

利用σ-映射建立了具有σ-局部有限cs-网、σ-局部有限cs*-网、σ-局部有限序列邻域网、σ-局部有限序列开网的空间与度量空间确定的σ-映象之间的联系.     

集值映象重合点定理的进一步改进和推广

本文是文［１］的继续．在更一般的条件下，研究了完备度量空间中集值映象的重合点和不动点存在性问题     

攀援集与Furstenberg族

本文用Furstenberg族研究了弱混合系统的攀援集.证明了:对于每一个有不动点的离散弱混合系统(X,f)而言,存在一个不变的稠密的(τF_(inf),F_(inf))-攀援集;对于每一个弱混合的有任意周期的周期点的周期吸附系统(X,f)而言,存在一个不变的稠密的(τF_(inf),τF_(inf))-攀援集,其中τF_(inf)为非负整数集的全体thick集组成的集族,F_(inf)为非负整数集的全体无限子集组成的集族。     

生存轨道与集值映象的不动点

基于无穷维空间中的生存定理，我们研究了集值映象的不动点，得到了一个新的不动点定理，推广和改进了[1]和[5]中的相应结果。     

局部可数集族、局部有限集族与Alexandroff问题

本文引进分层强ｓ－映射和分层强紧映射建立具有σ－局部可数网、具有σ－局部可数ｋ－网、具有σ－局部可数基的正则空间以及σ－空间、－空间、ｇ－可度量空间和确定的度量空间之间的联系．这些都是对Ａｌｅｘａｎｄｒｏｆｆ问题的回答．     

局部可数集族、局部有限集族与Alexandroff问题

本文引进分层强ｓ－映射和分层强紧映射建立具有σ－局部可数网、具有σ－局部可数ｋ－网、具有σ－局部可数基的正则空间以及σ－空间、－空间、ｇ－可度量空间和确定的度量空间之间的联系．这些都是对Ａｌｅｘａｎｄｒｏｆｆ问题的回答．     

乘积FC-空间内涉及——较好容许集值映象的优化映象族的极大元及其应用

引入了涉及-较好容许集值映象的映-拓扑空间到-有限连续拓扑空间（简称，FC-空间）的优化映象族．在乘积FC-空间的非紧设置下埘这类优化映象族证明了某些极大元存在性定理．在乘积FC-空间内给出了对不动点和极小极大不等式组的应用．这些定理改进、统一和推广了最近文献中的很多重要结果．     

乘积FC-空间内涉及一较好容许集值映象的优化映象族的极大元及其应用

引入了涉及一较好容许集值映象的映一拓扑空间到一有限连续拓扑空间(简称,FC-空间)的优化映象族．在乘积FC-空间的非紧设置下对这类优化映象族证明了某些极大元存在性定理．在乘积FC-空间内给出了对不动点和极小极大不等式组的应用．这些定理改进、统一和推广了最近文献中的很多重要结果．     

集值映象的不动点定理

本文讨论了定义在仿紧凸集上的集值映象的有关性质,并由此得到了集值映象的平衡点和不动点存在性的若干充分条件,推广了一些已有的结果.     

半非紧测度与集值AM映象

本文以半非紧测度为工具研究一类非线性集值映象的性质，然后把所得结果用于证明微分包含的解的存在性     

集值非扩张映象不动点存在与收敛性

讨论了δ集值非扩张映象在一致凸Banach空间中不动点非空的充分必要条件与Ishikawa迭代序列的收敛性及确保迭代程序收敛到不动点的条件,所得结果是单值非扩张映象情形的推广和发展.     

从数值最优化方法到学习最优化方法

传统最优化问题的求解方法主要是以梯度法为基础的数值最优化方法,它是解析与数值计算相结合的迭代求解方法,是一种基于固定模式的最优化方法.算法的迭代过程实质上是对迭代点进行非线性变换的过程,该非线性变换是通过一系列方向和步长来实现.对于最优化问题的每一个实例,都需要从头到尾执行整个算法,计算复杂度是固定的.一旦算法被程序实现,算法的效率(计算精度和复杂度)就被固定.人工智能解决问题的方法都具有学习功能.随着人工智能,特别是深度学习的兴起,学习类方法在一些领域取得了巨大的成功,如图像识别(特别是人脸识别、车牌识别、手写字符识别等)、网络攻击防范、自然语言处理、自动驾驶、金融、医疗等.本文从新的视角研究传统的数值最优化方法和智能优化方法,分析其特点,由此引出学习最优化方法,并对它们进行了对比,提出了学习最优化方法的设计思路.最后,以组合最优化为例,对该类方法的设计原理进行阐述.