约束优化的一个改进的强次可行SQP算法及数值试验

本文对约束优化一个强次可行SQP算法进行改进,使之产生的迭代点在有限次迭代后全落入可行域;并对算法数值效果进行了大量的比较试验.     

求解自融资投资组合模型的量子行为的粒子群优化算法

为有效求解自融资投资组合模型,基于粒子群优化(particle swarm optimization,PSO)算法,提出了一种改进的量子行为的粒子群优化算法(LDQPSO).在算法的设计中,借助Levy飞行策略对粒子位置的迭代公式进行更新,用于提高算法的局部收敛精度和全局探索能力;针对迭代后期的早熟问题,引入了多样性的...     

The Total Synthesis of 14—Deoxycrassin and Pseudoplexaurol：A Convergent Synthesis of Cyclization Precursor

The synthesis of epoxy aldehyde 4, a cyclization precursor for the total synthesis of 14-deoxycrassin and pseudoplexaurol,starting from geraniol in a convergent and stereoselective manner, is described.     

模糊化的Egoroff定理

在一般模糊测度空间上,针对可测模糊值函数序列给出了几乎处处收敛,几乎一致收敛和伪几乎一致收敛的概念,并在此基础上,进一步研究了这几种收敛的蕴涵关系,从而获得了模糊化的Egoroff定理,使模糊值函数序列的理论得到进一步丰富.     

几乎满的ε-等距算子的等距逼近问题

我们从减弱文Vestfrid[1]中定理3中空间一致凸条件和加强ε-等距算子条件着手去研究Banach空间中几乎满的ε-等距算子的等距逼近问题．另外，我们结合完备的β-范（0〈β〈1）空间的性质得到一些相关结论．     

蒙特卡罗方法计算定积分的进一步讨论

介绍了蒙特卡罗方法计算定积分的原理和方法.给出了用蒙特卡罗方法计算定积分的一个简单证明,从而揭示了蒙特卡罗方法和定积分定义间的内在联系.针对蒙特卡罗方法收敛慢的特点,提出将蒙特卡罗方法与相应的数值计算方法相结合,提高计算结果的精度.此外,将蒙特卡罗方法推广到反常积分上去.     

随机变量序列函数的几乎处处中心极限定理

该文证明了随机元序列的一个一般的几乎处处中心极限定理, 并把这一结论应用于随机变量序列的函数.     

方差无穷非线性自回归序列的自加权L_1估计

对具有无穷方差的非线性自回归序列x_t=φ(x_(t-1),x_(t-2),…,x_(t-p),θ) ε_t,E(ε_t~2)=∞,利用局部二次近似和连续函数空间C(R~q)上弱收敛随机过程最小点的渐近性质,证明了若存在δ≥1,使得E|ε_t|~δ<∞成立,则θ满足一定条件的自加权L_1估计θ_(L_1)是渐近正态估计,Wald检验统计量也具有通常的x~2分布,为模型的统计推断提供了理论基础.     

局部误差的有界约束非线性方程组的非单调信赖域算法

本文提供了在没有非奇异假设的条件下,求解有界约束半光滑方程组的投影信赖域算法.基于一个正则化子问题,求得类牛顿步,进而求得投影牛顿步.在合理的假设条件下,证明了算法不仅具有整体收敛性而且保持超线性收敛速率.     

Superlinearly convergent affine scaling interior trust-region method for linear constrained LC<Superscript>1</Superscript> minimization

We extend the classical affine scaling interior trust region algorithm for the linear constrained smooth minimization problem to the nonsmooth case where the gradient of objective function is only locally Lipschitzian. We propose and analyze a new affine scaling trust-region method in association with nonmonotonic interior backtracking line search technique for solving the linear constrained LC1 optimization where the second-order derivative of the objective function is explicitly required to be locally Lipschitzian. The general trust region subproblem in the proposed algorithm is defined by minimizing an augmented affine scaling quadratic model which requires both first and second order information of the objective function subject only to an affine scaling ellipsoidal constraint in a null subspace of the augmented equality constraints. The global convergence and fast local convergence rate of the proposed algorithm are established under some reasonable conditions where twice smoothness of the objective function is not required. Applications of the algorithm to some nonsmooth optimization problems are discussed.