结合增广Lagrange罚函数的约束优化差分进化算法

利用增广Lagrange罚函数处理问题的约束条件,提出了一种新的约束优化差分进化算法。基于增广Lagrange惩罚函数,将原约束优化问题转换为界约束优化问题。在进化过程中,根据个体的适应度值将种群分为精英种群和普通种群,分别采用不同的变异策略,以平衡算法的全局和局部搜索能力。用10个经典Benchmark问题进行了测试,实验结果表明,该算法能有效地处理不同的约束优化问题。

互补约束问题的部分增广Lagrange罚函数方法及其收敛性分析

本文受文献[3]的启发,对一般互补约束问题,提出了一种部分增广Lagrange罚函数法,该方法仅把较难处理的互补约束条件作了惩罚对象。通过改进的证明方法,比文献[3]所采用条件更弱的条件下,即假设在相应的罚问题对应的拉格朗日函数的Hesse矩阵在其切平面上关于α下有界的条件下,得到了算法所产生的迭代序列收敛到原互补约束问题的一个B-稳定点的收敛性结果。

带有不等式约束的非线性规划问题的一个精确增广Lagrange函数

对求解带有不等式约束的非线性非凸规划问题的一个精确增广Lagrange函数进行了研究.在适当的假设下,给出了原约束问题的局部极小点与增广Lagrange函数,在原问题变量空间上的无约束局部极小点之间的对应关系.进一步地,在对全局解的一定假设下,还提供了原约束问题的全局最优解与增广Lagrange函数,在原问题变量空间的一个紧子集上的全局最优解之间的一些对应关系.因此,从理论上讲,采用该文给出的增广Lagrange函数作为辅助函数的乘子法,可以求得不等式约束非线性规划问题的最优解和对应的Lagrange乘子.

增广Lagrange函数优化算法在稀疏信号重构问题中的应用

针对稀疏信号恢复的lp优化模型(0<p≤1),提出了一种可行稳健的增广Lagrange函数优化算法。该算法通过构造精确罚函数的方法,设置有限的增广因子参数,有效地避免了类似于传统FOCUSS迭代算法中出现的计算病态性问题,从而极大提高了信号恢复的精确度。为解决大规模的信号重构问题,还引入了共轭梯度法,以促进算法加速收敛。最后,仿真结果表明,改进型的增广Lagrange函数优化算法较大程度提升了稀疏信号重构的能力。

基于增广Lagrange函数的约束优化问题的一个信赖域方法

本文提出一个求解不等式约束优化问题的基于指数型增广Lagrange函数的信赖域方法.基于指数型增广Lagrange函数,将传统的增广Lagrange方法的精确求解子问题转化为一个信赖域子问题,从而减少了计算量,并建立相应的信赖域算法.在一定的假设条件下,证明了算法的全局收敛性,并给出相应经典算例的数值实验结果.

应用增广Lagrange乘子法确定裂纹应力强度因子——在RBF无网格法框架下实现

提出将增广Lagrange乘子法与RBF无网格法相结合来处理裂纹非连续性问题,从而确定裂纹应力强度因子。用径向插值基函数构造无网格形函数,基于虚裂纹扩展模式推导裂纹扩展控制方程;采用增广Lagrange乘子法处理裂纹非连续面;给出了处理裂纹非连续问题的计算列式和增广Lagrange乘子法迭代过程。通过与相关文献解比较,论证了本文方法的可靠性。

基于增广Huber正则化稀疏低秩矩阵的旋转机械微弱故障诊断

在多重故障相互耦合和强烈背景噪声下,提取大型旋转机械中的复合微弱故障特征是一个难点,针对这一问题,提出一种新的基于增广Huber正则化稀疏低秩矩阵(augmented Huber regularized sparse low-rank-matrix,AHR-SLM)的旋转机械故障特征提取方法,以大型减速机齿轮箱复合微弱诊断为例。该方法借助于非凸罚正则化稀疏低秩矩阵的思想,通过引入增广Huber罚函数代替传统最小化L1-norm融合套索算法,建立正则化目标成本函数,推导所建立模型的严格凸性,同时讨论模型严格凸性前提下的模型参数最优取值问题,并利用前向–后向算法对所建立模型进行求解。仿真算例与大型减速机齿轮箱微弱故障诊断实例表明:该方法不仅能提取隐藏在强烈外界噪声中的复合微弱故障特征,而且改善传统最小化L1-norm融合套索算法在提取微弱故障冲击时产生的稀疏系数低估与故障频率丢失问题,以及变分模态分解与快速谱峭度图特征提取算法产生的能量衰减与故障频率丢失问题。

求解非线性优化问题的非线性Lagrange法

非线性Lagrange函数是经典Lagrange函数的修正形式,是基于非线性Lagrange函数而建立的求解优化问题的对偶方法。由于对偶方法对原始变量的可行性没有限制,因此非线性Lagrange方法在求解约束优化问题中扮演着重要的角色。本文旨在探讨求解非线性优化问题的非线性Lagrange法,以期达到较系统了解求解非线性优化问题的非线性Lagrange法,为寻求在理论和计算上均具有优越性的非线性Lagrange函数打下理论基础。

基于增广Lagrange函数的RQP方法

1.引言 对于等式约束规划问题 min f(x) s.t. c(x)=0 其中f:Rn→ R,c:Rn→ Rm.

非线性规划问题的精确增广Lagrange函数

对于一般的非线性规划给出一种精确增广Lagrange函数,并讨论其性质.无需假设严格互补条件成立,给出了原问题的局部极小点与增广Lagrange函数在原问题的变量空间上的局部极小的关系.进一步,在适当的假设条件下,建立了两者的全局最优解之间的关系.

一种基于非均匀惩罚因子的序列无约束最优化外点新算法

增广拉格朗日乘子方法(Augmented Lagrange multiplier method)是拉格朗日乘子方法(Lagrange multiplier method)的推广,它是一种序列无约束的最小化技术,包括内点法和外点法,内点法适用于仅有不等式约束的情形,其主要思想是对违背可行性的约束给予一个惩罚。传统的做法是:对所有约束以相同的罚因子,自适应调整Lagrange乘子。提出了一种非均匀惩罚的自适应更新罚因子的方法,即根据近似解对约束违反的严重程度施行不同惩罚的新方法。算例表明,本方法是有效的。

一类广义半无限规划问题的一阶最优性条件

本文利用一个精确增广Lagrange函数研究了一类广义半无限极小极大规划问题。在一定的条件下将其转化为标准的半无限极小极大规划问题。研究了这两类问题的最优解和最优值之间的关系,利用这种关系和标准半无限极小极大规划问题的一阶最优性条件给出了这类广义半无限极小极大规划问题的一个新的一阶最优性条件。

单侧障碍问题的交替方向乘子法

基于最优罚参数的交替方向乘子算法可用于一类单侧障碍自由边界问题的数值求解。单侧障碍问题经过差分离散化后转变为有限维互补问题。表示区域位移的辅助变量和增广Lagrangian函数的引入将原问题等价转化为鞍点问题,然后交替方向乘子算法可用于求解。对此算法的辅助变量进行消除,可导出交替方向乘子算法的纯对偶算法,进而进行收敛分析和最优罚参数的讨论。数值算例结果验证了该算法的可靠性和有效性。

广义几何规划的一类全局收敛算法

以增广Lagrange函数为基础,采用比较先进的Armijo步长搜索策略,对等式约束下的广义几何规划问题提出了一种有效的拟牛顿乘子法,并且在适当条件下,可以避免罚因子趋于无穷,最后证明了该算法的全局收敛.

约束优化问题的一种基于双目标策略的增广Lagrange算法

针对传统增广Lagrange方法中精确求解子问题计算量大的问题,基于Rockafellar提出的求解不等式约束优化问题的增广Lagrange函数,本文提出了一种具有双目标策略的增广Lagrange算法.每次迭代时,首先极小化增广Lagrange函数的二次近似函数以得到搜索方向,进一步借助一个辅助信赖域子问题来判断这个搜索方向能否被接受.其次分别基于目标函数和约束违反度函数提出双目标策略以判断当前线搜索是否成功,其中一个策略是为了降低目标函数值,另一个策略是为了减少约束违反度.在一些假设条件下,分析了算法的可行性,并且在相对较弱的假设条件下,证明了算法的全局收敛性.最后,对经典算例进行数值实验并分析其实验结果.

解最大值函数的和的乘子光滑技术

在本文中 ,我们研究了非光滑无约束优化问题最大值函数的和的乘子光滑技术。范数的极小化问题的光滑近似是本文所讨论问题的特殊情况。将lagrange乘子技术和用于解决最大值函数的光滑技术结合在一起 ,可以得到一种新的增广lagrange乘子光滑技术。这种新的方法不需要人造变量并能保持Hessian阵的稀疏结构。

非线性二阶锥优化问题的一种增广Lagrange算法的收敛性

基于与不等式约束优化问题的一个势函数相应的L?wner算子,建立了一个求解非线性二阶锥优化问题的增广Lagrange算法.分析了L?wner算子及相应增广Lagrange函数的微分性质,并在一些适当的假设条件下详细证明了增广Lagrange算法的收敛速度.

城市公交管理的Stackelberg博弈模型

公交市场上运营者之间的自由竞争往往会走入"囚徒困境",即所达到的Nash平衡不是Pareto最优.针对此,本文引入公交管理者进行宏观调控使运营者走出困境.本文首先建立了描述管理者与运营者之间的动态调整过程的Stackelberg博弈模型.鉴于该双层模型的复杂性,文中将下层广义Nash均衡博弈模型转化成变分不等式问题,并讨论了博弈均衡解的存在性.然后给出了增广Lagrange罚函数算法及其收敛性结论.最后给出具体算例.

保留结构特征的稀疏性正则化图像修复

以压缩传感和稀疏表示为理论依据,提出了一种基于剪切波变换的稀疏性正则化的图像修复模型,以便更好地保留图像的结构特征。该模型用剪切波作为图像的稀疏表示,以稀疏性作为正则化项;同时基于变量分裂法,采用增广Lagrange优化方法求解最优化问题。另外,通过交替最小化方式来降低计算复杂性。从峰值信噪比(PSNR)、结构相似度(SSIM)、收敛速度和视觉效果等4个方面验证了算法的有效性。结果显示:利用本文算法修复图像的质量明显优于其他算法,获得了更优的PSNR和SSIM值。新的模型无论是在客观还是视觉主观方面都具有更好的性能,同时算法具有更快的收敛速度。得到的结果表明本文算法能够更好地修复图像,获得较好的视觉效果。

基于自适应代理模型的翼型气动隐身多目标优化

针对翼型气动隐身多目标优化设计存在的计算量大与权重难以选取的问题,提出基于自适应径向基函数代理模型与物理规划的高效多目标优化策略(Multi-objective optimization strategy using adaptive radial basis function and physical programming,ARBF-PP)。利用物理规划法通过非线性加权的方式将多目标优化问题转化为直接反映设计偏好的单目标优化问题,然后分别对综合偏好函数和约束条件构造径向基函数代理模型,采用增广Lagrange乘子法处理约束,并用遗传算法(Genetic algorithm,GA)进行求解。优化迭代过程中,在当前可能最优解附近增加样本点,更新代理模型,提高代理模型在最优解附近的近似精度,引导搜索过程快速收敛。使用数值多目标优化算例与翼型气动隐身多目标优化实例验证了本文所提出优化策略的有效性。翼型气动隐身多目标优化结果表明:相比于初始翼型,优化翼型的升阻比提高了34.28%,重点方位角的雷达散射截面(Radar cross section,RCS)均值减小了24.19%。此外,在相同样本规模的情况下,本文方法所得最优翼型的气动隐身性能比静态径向基函数代理模型方法的优化结果分别提高了11%与25.6%;与遗传算法相比,本文方法所需的分析模型调用次数(Number of evaluation function,Nfe)降低了93.5%。