非线性等式约束离散minimax问题的区间极大熵算法

研究了求解非线性等式约束离散mimimax问题的区间算法，其中目标函数和约束函数都是C^1类函数．利用极大熵函数和罚函数将问题转化为无约束可微优化问题，借助广义Krawczyk—Hansen算子建立了约束函数的区间迭代；讨论了极大熵函数和罚函数的区间扩张，证明了收敛性等性质，给出了无解区域删除原则，建立了区间极大熵算法．大量数值算例表明该算法是可靠和有效的．     

基于增广Lagrange函数的等式约束优化算法

等式约束优化问题是一类比较常见的也是比较简单的约束优化问题,通过研究带有等式约束的优化问题,提出了一个基于增广Lagrange函数的新算法.在新算法中将增广Lagrange函数作为价值函数,将约束优化问题转化为无约束优化问题,用无约束优化方法去解决等式约束优化问题.算法中每一步迭代只需求解一个简单的线性方程组,不需要太大的计算量就可以找到下降方向.算法中初始点是任意的,在适当条件下保证避免罚因子趋于无穷,可以证明算法全局收敛于原问题的KKT点.     

一般约束优化含等式约束问题的鲁棒信赖域算法

针对一般约束优化问题进行了研究.利用引入罚函数将一般约束问题转化为一个只含不等式约束的的参数规划问题的技巧,将不等式约束优化问题的一个鲁棒信赖域算法扩展到一般约束优化问题中,并保留了算法的良好性质;同时,在一定条件下,得到了算法的全局收敛和超线性收敛.     

一种非线性约束优化的微粒群新算法

通过对标准微粒群算法(PSO)改进,采用动态罚函数的方法,提出了一种求解非线性约束优化问题的新算法.由于使用了一种新的适应度函数,该算法具有很强的全局寻优能力.     

求解约束优化问题的微粒群算法

微粒群算法(简称PSO算法)是一种新型的进化计算方法，已在许多领域得到了非常成功的应用。本以约束优化问题为对象，首先介绍了采用罚函数法将约束优化问题化为无约束优化问题，和将约束优化问题转化为minmax问题，然后对无约束优化问题和minmax问题，采用PSO算法进行进化求解；在此基础上，以目标函数和约束满足分别为优化目标提出了一种双微粒群的PSO算法。仿真实验结果验证了方法的正确性与有效性。     

Lipschitz函数全局优化的区间算法

利用广义梯度讨论了目标函数是Lipschitz连续的非光滑优化问题的区间算法,给出了求二维函数广义梯度的区间算法,提出了利用广义梯度估计Lipschitz常数的方法.定理和数值算例表明,通过随算法的进行而不断修正Lipschitz常数,算法的收敛速度得到了一定的提高.     

求解非线性全局优化问题的填充函数算法

填充函数是目标函数的复合函数,当目标函数形式较为复杂时,填充函数随之变复杂。填充函数中参数越多,计算时越难调节,导致计算量增加。针对此问题,在无不等式约束条件下,构建一个连续可微的单参数填充函数,并从理论上讨论该函数的相关性质。分析认为,通过极小化该填充函数,可以跳出目标函数当前局部极小点,找到一个更好的局部极小点。结合序列二次规划算法和拟牛顿算法设计新的填充算法,并选择实例进行数值试验,计算结果表明,提出的填充函数算法有效可行。研究结果可为求解非线性全局优化问题提供一种形式简单、参数容易调节的有效算法。     

求解带约束连续型minimax问题的罚函数区间算法

研究了带约束连续型minimax问题的数值方法，其目标函数和约束函数都是Lipschitz连续的；建立了针对带约束连续型minimax问题的罚函数法，从而将其转化为无约束两层规划问题，并证明了算法的收敛性；最后，用无约束两层规划问题的区间算法进行求解，给出了数值算例．结果表明，该算法是可靠和有效的．     

一般约束优化问题的摄动梯度投影法

利用梯度投影法与罚函数技巧,将带等式和不等式约束优化问题化成一个无约束问题,提出了求解不等式、等式约束优化问题的摄动梯度投影算法。考虑到计算的误差因素,在搜索方向上进行摄动,得到一个方向不精确的梯度投影法。参数Wk取不同的数还可以得到一类梯度投影法。从而保证了在实际应用中更容易实现,在较弱的条件下,证明了该算法的全局收敛性。     

约束非线性优化的二阶段滤子SQP算法

利用了序列二次规划来求解非线性规划问题,并且引进滤子的概念。这样做可避免使用罚函数时选择罚函数参数的困难。在算法中,每次迭代分成可行性阶段和最优化阶段。在可行性阶段中,减小不可行性的某种度量;在最优化阶段中,减小目标函数值。在一些较弱的条件下,证明了算法的全局收敛性。     

约束多目标优化问题的区间极大熵方法

根据多目标优化的基本原理，提出一种新的评价函数法，结合区间分析的方法，提出了求解多目标规划问题的区间极大熵方法，并进一步证明了此方法的收敛性．     

一种用于全局优化的蚁群算法

针对蚁群算法不太适用于连续优化问题,且在搜索过程中容易陷入局部极值的缺点,提出了一种快速全局优化的改进蚁群算法,该算法同时采用在最好解蚂蚁领域内进行搜索及将本次循环得到的最优解作为起始解的搜索方式,以扩大其搜索范围,避免其陷入局部最优。通过对3个典型函数优化问题进行测试并与其他优化算法进行比较,结果表明该改进算法不仅能应用于对连续对象的优化,同时具有良好的全局优化性能,收敛速率快,寻优精度高。     

非线性约束优化问题

把Powell方法作为一个与选择、交叉和变异平行的算子,嵌入到基本遗传算法中,在遗传算法中定义Powell算子,得到一种既有较快收敛性,又能以较大概率求得非线性约束优化问题全局最优解的混合遗传算法-Powell遗传算法。通过自适应的退火因子和罚函数来处理约束条件,使算法逐渐收敛于全局可行最优解。数值结果表明该方法优于基本遗传算法和Powell法。     

全局优化的了望算法

提出求解全局优化问题的了望算法.了望算法利用了望技术确定群山最高点的常识,通过了望管理机制、了望点产生策略、局部问题构造与求解机制,能在较短的时间内求解全局优化问题.大量的测试表明,了望算法具有较高的收敛率和较强的获得问题全部解的能力,对初始点几乎没有依赖,参数选择简单.了望算法能够保证在迭代过程中迭代点的质量逐步变好,所提出的三层次记忆机制极大地提高了望算法的收敛速度.大量的对比测试也表明,在收敛率和全局搜索能力等方面了望算法较遗传算法有一定的优势,且在大多数情况下了望算法耗时较少.由于了望算法是根据人类的高级行为智能和推理智能提出的一种智能算法,它为解决全局优化问题开辟了一条新的途径.     

处理等式约束的新微分进化算法

针对有等式约束的优化问题,提出一种新的微分进化算法.该算法是通过解参数方程的方法处理等式约束,从而降维求解的微分进化算法.数值实验结果表明,与现有的其他算法相比,新算法具有较快的收敛速度和较高的求解精度,是一种有效的智能算法.     

求解等式约束最优化的一种信赖域方法

本文利用Zangwill型不可微精确罚函数对等式约束最优化问题构造了一种信赖域算法。为了使算法更加完善,又给出了一个改进算法。在一定条件下这些算法都具有大范围收敛性和超线性收敛速度。     

约束优化最小二乘问题的一种适用的方法

针对非线性约束优化最小二乘问题,提出了一种新的信赖域算法.此算法主要是修正了最小二乘问题的简约的Hessian矩阵,由于最小二乘问题的特有性质,使得求解过程得以简化.最后,用数值实例来验证此算法的合理性和有效性.     

一个新的求解非线性等式约束的QP-free非可行域方法

提出了一个求解非线性等式约束优化问题的无罚函数无滤子的非单调QP-free非可行域方法.利用乘子和原始变量,构造一个等价于原约束问题一阶最优KKT条件的方程组.通过牛顿-拟牛顿迭代得到满足一阶KKT条件的解.采用了非单调的无罚函数无滤子线搜索方法,每次迭代使得目标函数或者约束违反度函数具有充分的非单调下降,可以取得更好的试探步长.该算法具有全局收敛性,在较弱条件下可以证明该方法具有超线性收敛性.