凸约束二次规划问题求解的一般方法

将标准对偶变换的思想应用到求解凸约束二次规划问题上,并给出了该问题的完全解的形式.标准对偶变换思想的主旨是将原问题通过标准对偶变换的方法转化为其对偶问题,通过求解其对偶问题得到原问题的最优解.这种方法可使原来复杂的问题简单化,并使得原问题与其对偶问题间的对偶间隙为零且不带有任何扰动.应用这种方法我们还可以很容易的得到一些比较好的结果.

球约束凸二次规划的一个新算法

首先利用Lagrange对偶 ,将球约束凸二次规划问题转化为无约束优化问题 ,然后运用单纯形法求解无约束优化问题 。

改进共轭梯度法求解无约束二次凸规划问题

针对共轭梯度法求解无约束二次凸规划时,在构造共轭方向上的局限性,对共轭梯度法进行了改进.给出了构造共轭方向的新方法,利用数学归纳法对新方法进行了证明.同时还给出了改进共轭梯度法在应用时的基本计算过程,并对方法的收敛性进行了证明.通过实例求解,说明了在求解二次无约束凸规划时,该方法相比共轭梯度法具有一定的优势.

一类混合0-1非凸二次约束二次规划问题的近似算法

研究一类混合0-1非凸二次约束二次规划问题的近似算法.该问题是在M个非凸二次约束与一个基数约束下,求解一个n维向量的极小范数,变量包含M个0-1变量与一个n维连续向量.该问题是NP-难的.在求解其半正定规划(SDP)松弛问题的基础上,提出了一种随机舍入算法,能够得到原始的问题的一个可行解.数值仿真实验结果表明该方法是十分有效的.

框式约束凸二次规划问题的势下降算法

提出了一个求解框式约束凸二次规划问题的势下降内点算法,它利用Armijo非精确线性搜索技巧进行线搜索,同时使势函数的值减少,并证明了算法的全局收敛性.

框式约束凸二次规划问题的内点算法

目前已经有许多关于凸二次规划问题的研究,如文[1][2][5]等,文章对文[1]所给的原始-对偶内点算法理论上的某些缺陷加以更正,给出了框式约束凸二次规划问题的一个修正原始-对偶内点算法并进行了证明.

框式约束凸二次规划的预估校正光滑算法

研究了框式约束凸二次规划的一种光滑算法,算法中应用了牛顿法及其变形形式,证明了算法的全局收敛性.

基于最优D.C.分解的单二次约束非凸二次规划精确算法

本文提出一种基于最优D.C.分解的单二次约束非凸二次规划精确算法.本文首先对非凸二次目标函数进行D.C.分解,然后对D.C.分解中凹的部分进行线性下逼近得到一个凸二次松弛问题.本文证明了最优D.C.分解可通过求解一个半定规划问题得到,而原问题的最优解可以通过计算最优凸二次松弛问题的满足某种互补条件的解得到.最后,本文报告了初步数值计算结果.

球约束二次规划问题的一个计算方法

研究球约束二次规划问题 .将一般的球约束二次规划问题转化为球约束凸二次规划问题 。

带参数敏感度的最优权衡投资组合问题的半定规划松弛

考虑带参数敏感度的最优权衡投资组合问题,其模型是一个非凸非可微优化问题,其中目标函数含有极大和极小函数。将该优化问题变换为一个等价的非凸二次约束二次规划问题,提出了等价变换问题的一个紧的半定规划松弛,并估计了其与原问题之间的间隙。数值结果表明,该半定规划松弛可以有效找到大多数测试问题的全局最优解,且计算时间优于求解器GUROBI,从而为寻求问题的一个好的近似解提供方法。

退化情形下高斯-赛德尔迭代法的几个问题

高斯-赛德尔迭代法是一种经典的求解线性方程组的迭代算法,它对数值线性代数及数值最优化的发展产生了深远的影响.本文主要讨论求解系数算子自伴随且半正定但未必正定的线性方程组的(即退化情形的)高斯-赛德尔迭代法.我们回顾该算法收敛性分析的发展历史,并从与线性方程组等价的无约束凸二次规划问题出发,讨论基于高斯-赛德尔迭代的分块坐标下降法的收敛性,从而等价地得出高斯-赛德尔迭代法求解这类线性方程组的收敛性.与此同时,我们还将讨论与高斯-赛德尔迭代法密不可分的对称高斯-赛德尔迭代法,对比两者收敛性分析的异同.事实上,这其中的不同之处既促使了本文给出无约束凸二次规划问题分块坐标下降法的收敛性证明,又为很多相关问题的后续研究提供了动机.最后,基于本文内容,我们将提出一些与之密切相关但尚未解决的问题,并把它们作为进一步深入研究的对象.