带约束的变尺度算法

迄今为止,变尺度算法是求解无约束最优化问题最有效的一类方法。因此,近年来,对约束最优化问题建立类似方法的工作。引起了许多优化工作者的兴趣,他们提出了Wilson-Han-Powell算法及其改进等等。并且证明在一定条件下,算法具有超线性的收敛率。但这些条件不仅要求很“高”,而且很难在计算前确定能否成立。文[4]利用文[1]和[2]的结果,提出一类新的算法,求解带线性等式约束条件的非线性规划问题。并且证明了算法的超线性收敛率。本文把这个结果推广到一般的约束规划问题:     

约束优化问题的一个变尺度投影算法的全局收敛性

利用投影算子 PxΩ 建立了求解问题 ( P)的变尺度投影算法 ,并讨论了算法的全局收敛性 .     

采用修正搜索方向的约束变尺度算法

以WHP算法为代表的约束变尺度算法是解有约束非线性规划问题的常用算法之一,但是,这类算法还有较多理论问题没有解决。本文提出一类新的约束变尺度算法,而且在不假定‖B_k‖有界的情况下,证明该算法的整体收敛性和在一定条件下,算法超线性收敛。     

带调整线搜索方向的变尺度算法

为了确保变尺度算法在“坏条件”下的收敛性，本文提出对原算法的线搜索方向作适当地调整的方法，并且证明了带调整线搜索方向的Ｂｒｏｙｄｅｎ类算法，无论线搜索是否精确，它对连接可微函数是收敛的，对一致凸函数是Ｑ－超线性收敛的。     

非线性约束优化问题的一个新的全局收敛算法

对于非线性约束的优化问题.最近给出的各种SQP算法均采用罚函数技巧以保证算法的全局收敛性,因而都必须小心地调整惩罚参数。本文给出一个不依赖于惩罚参数、每步迭代的校正矩阵也不需正定且仍具有全局收敛性的SQP方法,而且罚函数形式简单、具有和约束函数同阶的光滑性.     

关于不等式约束的信赖域算法

对于具有不等式约束的非线性优化问题，本文给出一个依赖域算法，由于算法中依赖区域约束采用向量的∞范数约束的形式，从而使子问题变二次规划，同时使算法变得更实用。在通常假设条件下，证明了算法的整体收敛性和超线性收敛性。     

带有广义Wolfe线搜索的变尺度算法的收敛性

本文提出一类广义Ｗｏｌｆｅ线搜索模型，并且把它与著名的ＢＦＧＳ方法相结合，对于所得到的算法证明了：对于凸函数算法具有全局收敛性和超线性收敛速度，这推广了参考文献［１］中的结果．     

不等式约束优化一个改进的投影变尺度算法

本文研究了不等式约束优化问题.利用共轭投影梯度方法,获得了一个投影变尺度型算法.在适当的条件下,证明算法是全局收敛且具有超线性收敛性.     

一类超线性收敛的既约变尺度法

本文将既约梯度法与Ｈｕａｎｇ族变尺度法相结合，给出标准型线性约束规划问题的一类既约变尺度法．在较温和的假设下，算法具有全局收敛性和超线性收敛速度，最后指出本文算法包含和改进几个己有的有效算法．     

一类线性约束下不可微最优化问题的可行下降方法

本文给出了一类线性约束下不可微量优化问题的可行下降方法，这类问题的目标函数是凸函数和可微函数的合成函数，算法通过解系列二次规划寻找可行下降方向，新的迭代点由不精确线搜索产生，在较弱的条件下，我们证明了算法的全局收敛性     

求解约束优化问题的一种新的遗传算法

提出一种新的求解约束优化问题的遗传算法,算法通过重新定义可行解与不可行解的适应度函数分别对它们进行选择,有效避免了惩罚函数法引入参数所带来的困难,重新设计的交叉算子使得算法对解空间的寻优范围扩大了.数值实验结果表明算法具有较好的鲁棒性,且对最优解位于约束边界上的一类问题具有很大优势.     

线性约束最优化的一个共轭投影梯度法

本结合共轭梯度法及梯度投影法的思想,建立线性等式约束最优化的一个新算法,称之为共轭投影梯度法。分别对二次凸目标函数和一般目标函数分析和论证了算法的重要性质和收敛性。     

A Derivative-Free Algorithm for Bound Constrained Optimization

In this work, we propose a new globally convergent derivative-free algorithm for the minimization of a continuously differentiable function in the case that some of (or all) the variables are bounded. This algorithm investigates the local behaviour of the objective function on the feasible set by sampling it along the coordinate directions. Whenever a suitable descent feasible coordinate direction is detected a new point is produced by performing a linesearch along this direction. The information progressively obtained during the iterates of the algorithm can be used to build an approximation model of the objective function. The minimum of such a model is accepted if it produces an improvement of the objective function value. We also derive a bound for the limit accuracy of the algorithm in the minimization of noisy functions. Finally, we report the results of a preliminary numerical experience.     

求解不等式约束优化问题的一个改进算法

本文改进了一个求解不等式约束优化问题的对偶算法，建立了一个相应的算法，进一步证明了该算法的收敛性．最后，给出数值结果以验证该算法的有效性。     

A Shifted-Barrier Primal-Dual Algorithm Model for Linearly Constrained Optimization Problems

In this paper we describe a Newton-type algorithm model for solving smooth constrained optimization problems with nonlinear objective function, general linear constraints and bounded variables. The algorithm model is based on the definition of a continuously differentiable exact merit function that follows an exact penalty approach for the box constraints and an exact augmented Lagrangian approach for the general linear constraints. Under very mild assumptions and without requiring the strict complementarity assumption, the algorithm model produces a sequence of pairs converging quadratically to a pair where satisfies the first order necessary conditions and is a KKT multipliers vector associated to the linear constraints. As regards the behaviour of the sequence x ^k alone, it is guaranteed that it converges at least superlinearly. At each iteration, the algorithm requires only the solution of a linear system that can be performed by means of conjugate gradient methods. Numerical experiments and comparison are reported.     

基于简单二次函数模型的非单调信赖域算法

基于简单二次函数模型,结合非单调技术,建立了一个新的求解无约束最优化问题的非单调信赖域算法,并证明了算法的全局收敛性及超线性收敛性.数值例子表明算法是有效性的,适合求解大规模问题.     

Existence of Exact Penalty for Constrained Optimization Problems in Metric Spaces

In this paper we use the penalty approach in order to study constrained minimization problems in a complete metric space with locally Lipschitzian mixed constraints. A penalty function is said to have the exact penalty property if there is a penalty coefficient for which a solution of an unconstrained penalized problem is a solution of the corresponding constrained problem. In this paper we establish sufficient conditions for the exact penalty property.      

超线性与二次收敛序列线性方程组算法

本文,在无严格互补条件下,对非线性不等式约束最优化问题提出了一个新的序列线性方程组(简称SSLE)算法．算法有两个重要特征:首先,每次迭代,只须求解一个线性方程组或一个广义梯度投影阵,且线性方程组可以无解．其次,初始点可以任意选取．在无严格互补条件下,算法仍有全局收敛性、强收敛性、超线性收敛性及二次收敛性．文章的最后,还对算法进行了初步的数值实验．     

一类约束优化问题的非单调信赖域算法

本文就一类等式约束优化问题,结合当前比较流行的非单调技术,提出了一类新的求解等式约束优化的非单调信赖域算法.其非单调程度由算法自适应控制,计算预测下降量和实际下降量的比值时,采用前m(k)个点的信息,这不同于以前在计算预测下降量和实际下降量的比值时,仅仅采用当前-个点的信息.在没有正则性条件的假设下我们证明了算法是有定义的.并且通过对不同情况的讨论证明了算法的全局收敛性.基本的数值试验表明算法是有效的,且说明提出的非单调信赖域算法比单调信赖域算法有效.