无约束优化问题的信赖域半径趋于0的信赖域方法

用信赖域半径收敛到0的信赖域方法求解无约束优化问题,基于函数值平均权重的非单调技术减少了算法的计算量.证明了算法的全局收敛性以及超线性收敛性.     

一个带有线搜索的自适应混合折线信赖域算法

将文献[2]求解信赖域予问题的混合折线法与文献[1]的自动确定信赖域半径的方法相结合,并且在试探步不可接受时,采用线搜索来计算下一个迭代点,提出了求解无约束优化问题的一个带有线搜索的自动调节信赖域半径的混合折线信赖域算法。在通常条件下,证明了算法的全局收敛性。数值结果验证了新方法的有效性。     

多峰极值优化问题的算法性能分析和比较

对两种多峰极值优化问题的求解算法进行性能分析和比较,结果表明遗传加速信赖域搜索算法在信赖域迭代点变化速度受到信赖域半径约束时,采用具有并行性能的遗传算法在扩大了的信赖域内求解信赖域子问题,得到加大了的迭代步长,摆脱了短步长迭代的约束,同时通过调节参数控制了遗传算法加速次数的多寡,能更快地收敛到全局最优点,与遗传信赖域方法相比计算效率更高、计算结果更可靠．     

一种改进的最优潮流算法研究

提出一种改进的信赖域内点算法.新方法无须与潮流计算配合增加算法通用性,并由常规潮流获得初始点改善信赖域子问题可行性;此外,改进信赖域子问题模型提高计算精度,调整收敛判据加快计算速度;由现代内点法求解信赖域子问题,并构造简约修正方程减小计算量.用改进的方法求解电力系统中以发电费用最小为目标的最优潮流问题.通过对IEEE14-300测试系统的数值仿真实验,证明所提出的算法是正确和有效的.     

一个新的非单调自适应信赖域方法

自适应信赖域方法是求解无约束非线性优化问题的一种有效方法．将非单调线搜索技术与自适应信赖域方法相结合,提出了求解无约束优化问题的一个新的非单调自适应信赖域方法．在适当条件下,证明了该算法的全局收敛性和局部超线性收敛结果．并对其进行了数值实验,结果表明该算法是可行的．     

一种新的求解非线性方程组信赖域方法

用信赖域半径收敛到0的信赖域方法求解非线性方程组,同时应用基于函数值平均权重的非单调技术来减少算法的计算量.证明了算法的全局收敛性,并在弱于雅克比矩阵非奇异的局部误差界条件下,证明了算法的超线性收敛性.数值试验表明算法的有效性.     

区域信号配时二层规划模型的一类新算法与数值计算

研究了基于一般信号相位结构的区域信号配时二层规划模型的求解算法.对于上层问题,将灵敏度分析方法和信赖域算法相结合,得到一种高效算法.而对于下层问题,则采用具有较高收敛速度的仿射尺度内点算法.还对上层问题采用一阶近似信赖域方法、二阶近似信赖域方法两种情形进行了数值对比试验.数值结果显示:一阶近似信赖域方法性能更好,可以应用于实际区域信号配时问题.     

一个带线搜索的自适应信赖域算法

对无约束优化问题提出了一个带线搜索的非单调自适应信赖域算法,每次迭代都充分利用当前迭代点包含的二次信息自动产生一个信赖域半径.在试探步不被接受时,算法并不重解信赖域子问题,而采用非单调线搜索,从而减少了计算量.在适当的条件下,证明了算法的全局收敛性.     

求解非线性方程组的信赖域算法

非线性方程组传统解法求解过程中迭代次数多、运算时间长,因此提出一种求解非线性方程组的信赖域算法.首先建立信赖域算法模型,将非线性方程组转化为无约束问题,确定迭代过程参数,建立Hessian阵并构造近似序列,随后利用反证法进行收敛性分析,验证算法可行性.仿真实验中选择3个案例对与传统算法进行比较验证,实验结果表明,两算法...     

基于锥模型的无约束优化问题的信赖域算法

对无约束优化问题,提出了一种基于锥模型的非单调信赖域算法.该算法与通常的信赖域算法的不同在于:当试探步不成功时,不再重新求解子问题,而是采用非单调线搜索技术.对子问题进行了分析,并证明了算法的超线性收敛性.