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。

基于改进增广径向基的固体姿轨控发动机推力快速预示

为实现沉积影响下的喉栓式固体姿轨控发动机推力快速预示,提出一种融合各向异性和快速交叉验证的增广径向基近似建模方法。基于正交条件构建混沌多项式增广的径向基混合模型,并提出基于样本局部密度的各向异性方法,进一步提高混合模型精度。采用递归演化的拉丁超立方试验设计生成样本点,根据通用交叉验证误差求解过程中高阶矩阵快速求逆方法,降低模型训练的计算复杂度。与其他常用代理模型方法相比,本文提出的方法具有更好的精度和稳定性。将本文方法应用于固体姿轨控发动机推力快速预示,预示结果与仿真结果偏差控制在2.5%以内,计算耗时由小时级降低至秒级。

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.

配气凸轮优化设计的惩罚函数法和增广拉格朗日乘子法

将约束最优化问题的间接解法中有代表性的惩罚函数法和增广拉格朗日乘子法应用到配气机构五项式凸轮型线的最优化设计中 ,优化设计结果表明混合法 (内点法 )的求解精度最高 ,外点法的收敛速度最快 ,而增广拉格朗日乘子法的求解精度较高且收敛速度也较快 ,更适于用来求解此类问题 .

对等式约束非线性规划问题的Hestenes-Powell增广拉格朗日函数的进一步研究(英文)

本文对用无约束极小化方法求解等式约束非线性规划问题的Hestenes-Powell 增广拉格朗日函数作了进一步研究．在适当的条件下,我们建立了Hestenes-Powell增广拉格朗日函数在原问题变量空间上的无约束极小与原约束问题的解之间的关系,并且也给出了Hestenes-Powell增广拉格朗日函数在原问题变量和乘子变量的积空间上的无约束极小与原约束问题的解之间的一个关系．因此,从理论的观点来看,原约束问题的解和对应的拉格朗日乘子值不仅可以用众所周知的乘子法求得,而且可以通过对Hestenes-Powell 增广拉格朗日函数在原问题变量和乘子变量的积空间上执行一个单一的无约束极小化来获得．

不等式约束优化问题的一个精确增广拉格朗日函数

给出了求解只带有不等式约束非线性规划问题的一个连续可微精确增广拉格朗日函数法,并讨论了它的精确性质.该方法的主要特点是:在适当的假设下,通过对这个增广拉格朗日函数在原问题变量和乘子变量的积空间上进行一个单一的无约束极小化,即可获得原约束问题的解,从而可以有效地使用标准的无约束极小化方法求解不等式约束非线性规划问题.

不等式约束优化问题的Hestenes-Powell增广拉格朗日函数的精确性质(英文)

增广拉格朗日函数法是用无约束极小化技术求解约束优化问题的一类重要方法。本文对不等式约束优化问题的Hestenes-Powell增广拉格朗日函数(简记为HP-ALF)的精确性质作了详尽讨论。在适当的假设下,建立了原不等式约束优化问题的极小点和HP-ALF在原问题变量空间或者原问题变量空间与乘子变量空间的积空间上的无约束极小点之间的相互对应关系;获得了关于HP-ALF的精确性的许多新结果。本文给出的性质说明HP-ALF是一个连续可微的精确乘子罚函数,且用经典的乘子法可求得不等式约束优化问题的最优解和对应的拉格朗日乘子值。

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。

基于不等式约束的一类新的增广Lagrangian函数

针对含不等式约束的非线性规划问题,提出了一类新的增广Lagrangian函数,证明了其稳定点、整体极小点与原约束问题KKT点、整体极小点有对应关系,增广Lagrangian函数的局部极小点为原问题的局部极小点.基于给出的新的增广Lagrangian函数进行了数值计算,验证了其可行性和有效性.

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。

非线性规划中的增广拉格朗日函数与近似最优解

介绍了几种近似最优解和增广拉格朗日函数,建立了基于增广拉格朗日函数的对偶映射和相应的对偶问题,讨论了增广拉格朗日函数的几种近似解和原问题的几种近似解的关系,得到的结果推广了一些已有的结论.

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。

非线性规划中的近似增广拉格朗日函数

介绍了非线性规划中的一种近似增广拉格朗日函数,建立了基于这种增广拉格朗日函数的对偶映射和相应的对偶问题,得到了原问题和对偶问题的强近似对偶和弱近似对偶结果。我们的结果推广了一些已有的结论。

非线性规划中的近似增广拉格朗日函数

介绍了非线性规划中的一种近似增广拉格朗日函数,建立了基于这种增广拉格朗日函数的对偶映射和相应的对偶问题,得到了原问题和对偶问题的强近似对偶和弱近似对偶结果.我们的结果推广了一些已有的结论.

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.

指数型增广拉格朗日函数在广义半无限规划中的应用

本文利用指数型增广拉格朗日函数将一类广义半无限极大极小问题在一定条件下转化为标准的半无限极大极小问题,使它们具有相同的局部与全局最优解.我们给出了两个转化条件:一个是充分与必要条件,另一个是在实际中易于验证的充分条件.通过这种转化,我们给出了广义半无限极大极小问题的一个新的一阶最优性条件.

多元统计分析中一类矩阵迹函数极小化问题的分裂迭代法

研究了来源于多元统计分析中的一类含列正交约束的矩阵迹函数极小化模型,该模型的特殊形式广泛应用于多维标度分析中DEDICOM模型和正交INDSCAL模型最小二乘拟合等问题中。结合变量分裂构造了几类经典的基于分裂的不可行迭代算法求解该约束迹函数极小化模型,并给出算法外层迭代框架和内层子问题的具体求解方案。数值实验验证了算法的有效性。

一类增广拉格朗日函数局部鞍点的存在性

对含有等式约束和不等式约束的非线性规划问题(P)给出了一类新的增广拉格朗日函数方法;在修正二阶充分条件下,证明了对偶问题的局部鞍点即为原问题的局部最优解;同时证明了如果原问题的局部最优解满足修正的二阶充分条件,则原问题的局部最优解即是增广拉格朗日函数的局部鞍点.

基于信赖域增广Lagrangian函数方法的最优潮流研究

求解最优潮流是一项基本而重要的工作。文中将信赖域方法与增广Lagrangian函数方法相结合,提出了一种新的优化算法,并应用该方法进行电力系统最优潮流的计算。将最优潮流问题转化为增广Lagrangian函数,并采用信赖域方法求解增广Lagrangian函数子问题。对系统规模从14节点到300节点的5个IEEE电力系统数值计算并与非线性原-对偶内点法比较,计算结果表明,该算法具有强收敛性与稳定性。

Sharp增广拉格朗日函数的局部鞍点

对于约束优化问题,证明了局部鞍点就是局部最优解,利用泰勒展开公式证明了sharp增广拉格朗日函数在二阶充分性条件下,局部鞍点的存在性,从而保证了原问题和对偶问题的局部最优值相等.