广义既约梯度法解非线性规划问题的灵敏度分析

使用广义既约梯度法(GRG法)解非线性规划问题并进行了灵敏度分析。局部最优解满足二阶充分条件,问题满足非退化假设的前提下,给出带参数问题的局部最优解关于参数的连续性质。在适当的条件下建立了灵敏度信息的估计,并在后面部分中提供了使用GRG算法解非线性规划,产生灵敏度信息的计算过程。     

一类既约梯度算法

既约梯度法是求解非线性规划问题的一类方法,它们尤其适用于带线性约束的非线性规划的求解。Wolfe的既约梯度法和Zangwill的凸单纯形法 是较熟悉的两种方法。本文给出了包含这两种方法的一类既约梯度算法以及此算法类的收敛性定理。 一、假设条件及记号 考虑如下非线性规划: (P) min｛f(x)｜Ax=b,x≥0｝,其中x∈Rn,A为m×n矩阵。令S为全体可行点的集合,且S非空。与一样,我们假定:(H1)f∈C1;(H2)A中的任意m个列向量线性无关;(H3)多面体S的每个极点非退化。 我们以A1表示A的一个子矩阵,它的行号与A相同,列的标号属于Ⅰ,其中Ⅰ　｛1,2,…     

一个修正的既约梯度算法及其收敛性

本文给出一个修正的既约梯度算法,同以往既约梯度算法的不同处在于下降方向的选取以及收敛性质的改进。     

一个既约次梯度算法

本文讨论带有线性非负约束的凸不可微规划问题,给出了解这类规划的既约次梯度算法.所给出的算法采用不精确的线性搜索,而且证明了算法的收敛性.     

非线性规划的一个既约梯度法

对线性或非线性约束的非线性规划问题给出了一个简便的既约梯度法，并在一定的条件下，证明了此算法的全局收敛性。     

完备格上交既约元的性质

根据格上交既约元、完全交既约元的概念,定义了连续交既约元,给出了它们之间的联系与区别,进而得出完备格上交既约元的一些性质及相关结论.     

一种既约逐步二次规划算法的全局收敛性

提出一种求解非线性等式约束问题的既约逐步二次规划(RSQP)算法.为避免Maratos效应,我们采用Flether的光滑精确罚函数的逼近形式作为价值函数,并且分别对Lagarange函数的单边既约Hessian的近似阵和双边既约Hessian的近似阵进行校正.在一般的条件下,证明了算法的全局收敛性并作了一定量的数值试验.     

模不是两两既约的同余方程组

本文论述了模不是两两既约的同余方程组的求解问题，论证了解这类同余方程组的两个定理，并举例说明它的应用。     

一族易实现的Clarke广义梯度投影算法及其收敛性

本文利用Bazarra提出的伪方向导数,以Clarke的广义梯度为工具,通过解二次规划得可行下降方向,用Armijo搜索作一维搜索,我们给出了一类一般线性约束下不可微规划的可行方向法——易实现的Clarke广义梯度投影法。在不要求约束非退化的条件下,我们证明了算法的收敛性。     

MFCQ下的广义投影梯度算法

讨论了非线性不等式和等式约束优化问题在退化情形下的求解方法。首先通过引入恰当的罚函数,将原问题转化成一个只含不等式约束的辅助规划,给出了一般约束优化问题的广义梯度投影算法,在MFCQ下,证明了算法的全局收敛性。     

结合广义Armijo步长搜索的一类记忆梯度算法

给定记忆梯度算法搜索方向中的参数一个假设条件,从而确定它的一个取值范围,使其在此范围内取值均能得到目标函数的充分下降方向,由此提出一类新的记忆梯度算法.在去掉迭代点列有界和广义Arm ijo步长搜索下,讨论了算法的全局收敛性,且给出了结合形如共轭梯度法FR,PR,HS的记忆梯度法的修正形式.数值实验表明,新算法比Arm ijo线搜索下的共轭梯度法FR、PR、HS和记忆梯度法更稳定、更有效.     

广义梯度投影下的强次可行方向法

利用广义投影技术建立一个求解非线性不等式约束优化问题的强次可行方向法。该算法不但不使用任何转轴运算和罚函数技术，而且只用广义ε－积极约束集确定广义投影阵，搜索方向也十分简单。     

一个既约差商算法及其整体收敛性

利用差商代替难以计算的精确导数，结合既约梯度法的思想建立新的算法；在目标函数一致凸的条件下证明了既约差商法的整体收敛性．     

矩阵最小二乘广义逆共轭梯度算法

研究了矩阵最小二乘广义逆新的性质,给出矩阵最小二乘广义逆共轭梯度算法,并给出一些例子来说明这种方法的有效性.     

非线性等式约束问题的既约Hessian校正算法

考虑非线性等式约束优化问题,提出一种既约Hessian阵校正算法,此算法分别对Lagrange函数的单边既约Hessian阵的近似阵和双边既约Hessian阵的近似阵进行校正.我们证明了若每次迭代至少有一者被校正时,算法具有1—步Q—超线性收敛速度.     

约束优化问题的广义投影梯度算法分析

对非退化和退化两种情形下的不等式约束优化问题的广义投影梯度算法作了分析,发现所采用的两种不同的求解迭代方向的方法在本质上是相同的。公式法结构简单、便于计算,而在处理退化问题上线性系统求解则体现优越性。     

广义Armijo步长搜索下的梯度算法的收敛特征

对无约束规划（P）：minf(x)。其中,f(x)是R^n→R^1上的一阶连续可微函数,在去掉迭代点列{xk}有界和广义Armijo步长搜索下,讨论了梯度算法的全局收敛性,证明了算法具有较强的收敛性质。     

BCK—代数中理想的既约分解的推广

得到关于BCK——代数中理想的既约分解与质分解的新结论,它们是J.Ahsan和M.Palasinski给出的已有结论的推广形式。     

线性约束优化问题拓广的广义梯度投影算法

在去掉非退货假设条件下，提出了求解线性约束的非线性最优化问题的一个拓广的广义梯度投影算法，并在广义Armijo步长探索下证明了算法的全局收敛性质。