增广拉格朗日函数的两种可分化方法之比较

可分方法用于将一个复杂的大规模优化问题分解成各个子问题进行求解。增广拉格朗日松弛方法的主要缺点是由其引入的二次项是不能分离的。为了处理这种增广拉格朗日函数的不可分离性,可将辅助问题原理方法或分块坐标下降方法应用于增广拉格朗日松弛方法。与已有文献中对带有约束条件x-x-=0的优化问题进行这两种可分方法的比较不同,本文对带有更一般的约束条件——线性约束z=Ax的优化问题进行这两种可分化方法的比较;最后给出的两个算例证实了本文的理论分析结果——在处理不可分离的增广拉格朗日函数的时候,在一定条件下,分块坐标下降法往往比辅助问题原则法更快得到最优值。

二次罚函数的可分化方法

可分方法用于将一个复杂的大规模优化问题分解成各个子问题进行求解。本文对可分优化问题给出两种可分方法,即分别将辅助问题原理(APP)方法和分块协调下降(BCD)方法应用于二次罚函数方法(QPM),并提出相应的QPM+APP算法和QPM+BCD算法,使得在求解可分优化问题时仅需要修正罚因子。最后给出了两个算例,通过与文献[1]中的ALR+APP和ALR+BCD算法作比较来求解,所得的计算结果说明本文给出的两种算法是具有有效性的。

解凸优化问题的一类修正线性近似交替方向法

在解凸优化问题过程中,对已有文献的线性约束条件推广到非线性约束条件,运用了近似交替分解算法;新提出一类修正线性近似交替方向法,并进行了理论分析和和算例比较.