关于乘子法的一种新算法

本文提出了关于增广乘子法的一种新算法.证明了该算法的合理性及其收敛速率为超线性的.对于非线性规划问题:(P)minf(x) x∈R~ns.t.h(x)=0,g(x)≤0.其中f:R~n→R~1;h:R~n→R~m;g:R~m→R~p均为二次连续可微.等式与不等式的有效约束的     

对二阶最优性条件的研究

考虑具有等式约束的非线性规划问题:设其中f:R~n→R,h:R~n→R~m均为二次连续可微,定义函数L:L(x,λ)=f(x)-λ~Th(x),其中λ∈R~m,以A记h的Jacobi矩阵,则有下列关于局部最优解的二阶充分条件:对于x~＊∈R~n,如果(     

一类混合型时滞微分差分比较原理

在研究中立型系统解的性质时,遇到如下一类混合型时滞微分差分不等式:其中x∈R~m,y∈R~n,X(t)(?)_Sup x(t+θ)(常数r>0),y(t)的含意类似;f:R~+×R~M×R~m×R~n×R~n→R~m,g:R~+×R~m×R~m×R~n×R~n→R~n,并且f(t,α,β,γ,ξ)关于β,γ,ξ单调不减,关于α为非对角线不减(即对于a_1~(1)=α_i~(2),α_j~(1)≤a_j~(2),有f_i(t,a~(1),β,γ,ξ)≤f_i(t,a~(2),β,γ,ξ),i≠j(i,j=1,2,…,m)),g(t,α,β,γ,ξ)满足相同的条件。D(x)表示x(t)的Dini导数。     

有效解的唯一性条件

本文首先拓广了通常的连通函数概念,讨论了其基本性质,最后给出了两个有效解的唯一性结论.一 基本定义设 f(x)是 D(?)R~n→R~m 的映射,g(x)是 D(?)R→R~p 的映射,S 是 R~p 的非空子集.     

一种有扰动项的序列二次规划算法及其收敛性

本文提出的算法用于求解非线性规划(P):其中,f:R~n→R~1,g:R~n→R~m。 在算法的每一循环中,求解如下带有扰动项r_i的二次规划Q(z_i,H_i,r_i):     

非光滑优化的二阶必要条件

1 引言 对无约束最优化问题,其必要条件要求在局部极小点x处沿任何方向的梯度为零,曲率为正。而对约束最优化问题,首先它的局部极小点必须是可行点,其次不仅要求验证局部 极小点的某个邻域内的二阶项(曲率),而且也要认识到约束曲率也起相当重要的作用。现实中存在这样的问题,在x点处G正定,而它不是局部极小点。因此必须考虑约束最优化问题的二阶必要性条件。 本文研究了非线性规划的二阶必要性条件,其约束函数的一阶导数为方向Lipschitz连续。 2 方向Lipschitz连续函数的性质 定义2.1 设f是R~n上的一个广义实值函数,f在x∈R~n处有限,称f在x处是方向Lipschitz连续的,如果至少存在一点y∈R~n使得 其中( 定义2.2 设f如定义2.1,定义f在R~n处的次导数集如下 其中 本文多次引用f↑(x;y),因此我们首先介绍f↑(x;y)的3个基本性质:     

一类广义半正定线性方程组的直接解法

1 引言 在具有等式约束的二次规划或椭圆型边值问题离散化分析中经常会遇到解线性方程组 (1)其中A∈R~(m×m)为对称正定矩阵,B∈R~(n×m)为行满秩矩阵,f∈R~m,g∈R~n为右端向量. 为了讨论的方便,首先引进, 定义1 若G∈R~(N×N),且对任何非零向量x∈R~N都有x~TGx>0(≥0),则称矩阵G     

泛函极小与椭圆型方程组解的正则性

研究定义在向量u=(u~1,…,u~N):Ω■R~n→R~N上的各项异性积分泛函F(u)=∫_Ωf(x,Du(x))dx和非线性椭圆型方程组-Σi=1nDi(aiα(x,Du(x)))=-Σi=1nDiFiα(x),α=1,2,…,N.在密度函数f:Ω×R~(N×n)→R和矩阵a=(a_i~α):Ω×R~(N×n)→R~(N×n)满足某单调不等式条件下,得到u整体有界.     

DFP算法收敛性的一个结果

变尺度算法作用于非凸函数,是否具有全局收敛性,有关这方面的研究是十分重要的。[1]在▽f满足Lipschitz条件且算法产生的点列收敛的假设下证明了DFP算法的全局收敛件。本文给出一个与Lipschitz条件互不包含的新的条件,在此条件下,我们证明了若算法产生的点列收敛于某点,则此点必为函数的稳定点。一、引言对于非线性最优化问题:_(x∈R~n)~min f(x),其中f:R~n→R~1连续可微,用变尺度算法来求解通常是有效的。而在众多的变尺算法中,DFP算法(Davidon、Fletcher and     

具有等式与不等式约束条件次可微优化的Fritz John条件

方向导数具有形式 f′(x;d)=■(v,d),■d∈R~n 的函数 f(x)称为次可微函数,其中■f(x)为 R~n 中的凸紧集,称为次微分,本文在一个正则性假设条件下给出了具有等式与不等式约束条件次可微优化的 Fritz John 条件,特别在等式约束仅一个时,去掉了正则性假设.引理1 假设 f(x)一致办向可微,即极限     

可探测问题不可行性的无滤子逐步二次规划方法

<正>1引言本文考虑如下非线性约束优化问题min f(x)(1.1)s.t.c(x)≤0,其中f:R~n→R,c:R~n→R~m均二阶连续可微.若问题(1.1)不可行,求解以下约束违反度函数的极小值点得到(1.1)的不可行稳定点:min h(x),(1.2)其中h(x)=||[c(x)]~+||1,[c(x)]~+=max{c(x),0}(按分量最大).类似地,[c(x)]~-=max{-c(x),0}.众所周知,逐步二次规划方法(SQP)是求解问题(1.1)的最有效的一类方法,由于它能够很好求解非线性约束优化问题且具有超线性收敛的良好性质,吸引了许多学者对其     

不可微优化不动点算法的收敛性

定义 设f(x)是定义在R~n上的实函数,若存在λ∈[0,1],使得对任意的x,y∈R~n,当f(x)≤f(y)时,总成立: 则称f(x)是R~n上的λ次凸函数。显然,λ=1时,f(x)即为通常的凸函数,λ=0时,f(x)为拟凸函数。 考虑一般不可微数学规划问题:     

基于信赖域技术和修正拟牛顿方程的非单调共轭梯度算法

1引言考虑无约束最优化问题(?)其中f(x):R~n→R~1是一阶连续可微函数.求解问题(1)的非线性共轭梯度算法结构简单、收敛速度快、存储量小,适于求解大     

高维欧氏空间可微函数与复合映射的微分法——链法则

<正> 我们将用L(R~n,R~m)表示所有R~n 到R~m内的线性变换组成的集合,其中加法和数乘规定如下:i)加法:若A,B∈L(R~n,R~m),则定义A+B 为(A+B)(X)=A(X)+B(X) (X∈R~n)ii)数乘:若A∈L(R~n,R~m),α∈R~1,则定义αA 为(αA)(X)=αA(X)     

非线性规划的拟下降方法：概念,模型及应用

§1.引言 考虑一般非线性规划问题: (P)min{f(x)|x∈S},其中S?R~n为一非空闭集,f:R~n→R~1。 求解(P)的下降算法的基本思想是:在当前点x_k∈S处,(若x_k不是某种期望的     

锥模型拟牛顿法

1 引 言 对于求解无约束最优化问题 min f(x),f:R~n→R,f∈C~2。Davidon提出了一类非二次模型方法,即锥函数近似模型 f(x)≈c(x)=f(x_k)+(f(x_k)~T(x-x_k))/((1-h_k~T(x-x_k))+1/2((x-x_k)~TA_k(x-x_k))/([1-h_k~T(x-x_k)]~2) (1.1)和共线调比变换     

LC^1最优化问题的最优性条件

1 引言 LC~1最优化问题是一类非光滑最优化问题,它们广泛存在于运筹学的各种情形中.对于这些问题,其目标函数和约束函数一般不具有二阶可微性,但是它们是可微的,其导数是局部Lipschitz的.LC~1最优化问题的一般形式是 rminf(x) s.t.h_i(x)=0,i∈E,(1.1) g_i(x)≤0,j∈I, 其中,f:R~n→R,h:R~n→R~m,g:R~n→R~l是LC~1函数,即它们有局部Lipschitz导数,E={1,…,m},I={1,…,l}.从非线性互补问题、变分不等式和非线性规划中产生的不少问题可以形成 为非光滑方程,其中C~1条件(即连续可微条件)不成立,但LC条件(即局部Lipscchitz条件)成立,这些问题对应于LC~1最优化问题.[4],[6],[7]给出LC~1最优化问题的例子. 最优性条件对研究非光滑最优化是重要的.若干作者研究了非光滑优化的最优性条件问题,例如[1]、[2]、[4].在本文中我们将讨论LC~1最优化的最优性条件,它们包括:无约束LC~1最优化问题的二阶最优性条件和一般约束LC~1最优化问题的二阶最优性条件. 2 基本概念     

多元函数的柯西公式和洛必大法则

<正> 本文给出多元函数的(?)西公式.并利用它建立多元函数的洛必大法则.为书写简单起见,文中采用向量表示法. x=[x_1,x_2…,x,]~r表示n维空间R~n中的向量. (?)R~n→R~(?)表示∫是定义在n维空间R~n中区(?)D上的n元实值函数.     

非线性系统的动态反馈完全线性化

其中,为简单记,x(t)∈R~n,u(t)∈R~m,y(t)∈R~m,f(·),g(·)的诸列以及 h(·)的诸行是 x 的亚纯函数,即它们是 x 的解析函数环的分式域 (fraction field) 的元素.注意这个系统具有相同个数的输入和输出.本文考虑下述形式的动态反馈补偿器设计     

无约束非光滑优化问题信赖域算法的收敛条件

1 引言 考虑下列无约束非光滑优化问题 minf(x),(1) x∈R~n,其中f为R~n上的局部Lipschitz函数,本文将‖·‖_2简记为‖·‖.记下列信赖域子问题为S∪B(x,△). min m(x,s)=φ(x,s)+1/2s~TBs, 其中φ:R~(2m)→R为f的迭代函数。 对于无约束非光滑优化问题(1),[11],[13],[3]、[4]和[5]分别在特殊的条件下给出了信赖域算法用以求解(1)的收敛性结果。最近,[10]、[2]和[6]在不同的假设条件下分别给出了信赖域算法求解无约束非光滑优化问题的一般模型,并在子问题的目标函数满足局部一致有界性条件时证明了算法模型的整体收敛性。在目标函数满足某种正则性条件时,[11]和[9]给出了当信赖域子问题的目标函数中二次项不满足一致有界性条件时的收敛性结果.本文则在目标函数仅为局部Lipschitz函数时得到了和[8]、[11]、[9]相同的收敛性结果。