改进的凝聚约束同伦方法求解一类非线性最优化问题

利用凝聚函数的一个等价形式,提出一种改进的凝聚约束同伦方法,使得初始可行域包含原问题的可行域,并从外部逐渐逼近原问题的可行域,从而克服了凝聚约束同伦方法可能无法求得一些可行域边界附近K-K-T点的问题.改进的凝聚约束同伦法还扩大了初始点的选择范围.

约束最优化问题的非线性无约束方法

总结了近年发展的对不等式约束最优化问题的非线性拉格朗日方法,讨论了零对偶间隙,最优化条件的收敛性以及精确非线性罚函数。

非线性不等式约束最优化一个超线性与二次收敛的强次可行方法(英文)

本文讨论非线性不等式约束最优化问题,借助于序列线性方程组技术和强次可行方法思想,建立了问题的一个初始点任意的快速收敛新算法。在每次迭代中,算法只需解一个结构简单的线性方程组。算法的初始迭代点不仅可以是任意的,而且不使用罚函数和罚参数,在选代过程中,迭代点列的可行性单调不减。在相对弱的假设下,算法具有较好的收敛性和收敛速度,即具有整体与强收敛性,超线性与二次收敛性。文中最后给出一些数值试验结果。

基于水平集带方法的柔顺机构拓扑优化研究

水平集方法在拓扑优化问题中采用隐式函数的零水平集描述结构边界,由于可以方便的表达结构拓扑变化并使结构边界保持清晰和光滑的特性,水平集方法很快成为拓扑优化领域的重要方法之一。但是由于水平集方法在优化过程中存在拓扑变化的不连续性,容易出现数值不稳定、初始设计依赖性等问题。近年来水平集带方法的提出可以有效改善这一现象,成为提升水平集方法拓扑表达能力的重要手段。本文将水平集带引入到参数化水平集拓扑优化方法中,并对其在柔顺机构优化设计问题中的应用开展研究。水平集带方法在水平集函数的零水平集附近引入水平集带区域,采用水平集函数插值可以得到带宽范围内[0,1]区间连续分布的材料密度,并在优化过程中通过逐渐减小水平集带的宽度使带宽范围内的材料密度逐渐收敛至0-1分布。该方法结合了变密度法的优势,使优化过程中材料密度变化保持连续,可以提升参数化水平集方法的稳定性,得到更优的目标函数值,并有效改善水平集方法的初始设计依赖性问题。本文通过多个柔顺机构的拓扑优化算例从不同初始设计、不规则设计域及几何非线性等多方面分析和验证了该方法的有效性,计算结果表明该方法对面向实际工程的复杂设计问题具有较好的适用性。

混合微粒群算法在非线性约束优化中的应用

本文将微粒群算法 (PSO)与罚函数法结合 ,提出了一种求解非线性约束优化问题的新算法 ,数值试验表明该算法具有很强的全局寻优能力。

一种偏振定标单元方位角误差的约束非线性最小化优化定标方法

偏振定标单元(Polarization Calibration Unit,PCU)对于定标由偏振系统和天文望远镜产生的仪器偏振至关重要,然而偏振定标单元中偏振元件光轴的方位角误差是限制定标精度的主要因素之一.为解决该问题,提出了一种基于约束非线性最小化优化的方位角误差定标方法,该方法具有定标精度高、定标速度快的优点.首先将偏振定标单元中的线性偏振片和四分之一波片的光轴方位角误差设置为两个待优化的自由变量,然后利用产生和测量的Stokes参数以及偏振定标获得的响应矩阵定义优化目标函数,最终使用约束非线性最小化优化方法来确定两个偏振元件的方位角误差.分别从理论模拟和实际测量两个方面对优化方法进行了验证,实验结果表明,该优化方法能够成功获得上述两个方位角误差,精度分别优于2.79′和2.72′.此外,从理论上计算分析了不同方位角误差对各Stokes分量的影响情况.该优化方法有望应用到我国太阳望远镜中偏振定标装置的误差定标及研制之中.

一类箱约束非凸非线性规划的新求解方法

对一类箱约束非凸非线性规划问题提出了一种新的求解方法 ,通过构造一新的含参数逼近函数 ,将原问题转化为一系列无约束优化问题 .该方法对给定的参数在下降方向寻找逼近函数的最优点 .当初始点在盒子内部时 ,证明了方法的全局收敛性 .数值结果表明 ,当参数充分小时 ,该方法能找到原问题的一个总体极小点 .

复合形法解决多维非线性有约束优化问题

由于实际工程中的优化问题大多为多维非线性有约束优化问题 ,本文针对问题考虑了搜索方向和约束条件 ,提出较为实用而且简便的复合形法来确定搜索区间。用其解决了一些实际问题 。

非线性约束条件下一个超线性收敛的——可行方法(Ⅰ)算法A

序列二次规划算法（即ＳＱＰ算法）一般具有良好的超线性收敛性质，在非线性规划中占有非常重要的地位。从实际数值效果来看，ＳＱＰ类算法对于非线性约束下的最优化问题是非常有效的。但这一类算法在实际运算中和终止时所得到的解一般都是不可行的，对于一些与工程设计等实际应用相关的优化问题，这是一个很严重的不足之处。为了克服现有ＳＱＰ类算法的不足。本文给出了一个非线性约束条件下求解ＳＱＰ类问题的可行方法，即算法Ａ。此新方法具有如下优点：（１）每步迭代仅需计算一个二次子规划及一个矩阵的逆；（２）算法每步迭代产生的点均是可行的；（３）在适当的条件下，算法是一步超线性收敛的。

非线性约束优化问题的组合信赖域与线搜索算法

对非线性等式约束优化问题提出了一个组合信赖域与线搜索求解算法 .与传统的信赖域方法比较 ,该算法的特点是当试探步不被信赖域方法接受时 ,无需重新求解信赖域子问题 .通过计算实例 ,比较了纯信赖域算法与组合算法的计算工作量 .

非线性约束优化问题

把Powell方法作为一个与选择、交叉和变异平行的算子,嵌入到基本遗传算法中,在遗传算法中定义Powell算子,得到一种既有较快收敛性,又能以较大概率求得非线性约束优化问题全局最优解的混合遗传算法-Powell遗传算法。通过自适应的退火因子和罚函数来处理约束条件,使算法逐渐收敛于全局可行最优解。数值结果表明该方法优于基本遗传算法和Powell法。

一个退化线性约束下的最优化方法

对于线性约束下的非线性规划问题，过去的绝大部分文献都建立在约束为非退化的假设上．该文将去掉这一假设，就一般的线性约束问题设计了一个结构简单的新算法，并在适当的假设下证明了算法的收敛性和超线性收敛速度．

用非线性优化方法提高情报检索效率

本文用系统工程的观点分析了情报检索各环节的相互制约和影响的关系,对各环节建立了初步的评价计算公式。通过使用非线性优化方法,综合考虑各评价指标的优化问题,建立了提高情报检索效率的多目标,有约束非线性规划,提出了用计算机仿真技术求解非线性规划的初步设想。

一类求解非线性约束优化问题的线搜索渐缩滤子算法

针对非线性等式约束优化问题,本文给出一种新的线搜索滤子算法.算法中将非线性等式约束优化问题的最优性条件作为滤子,并在接受准则中加入渐缩函数,使得当线搜索试探步长减小时时滤子包络的越来越薄,从而使得试探步被接受程度更有弹性,不会被当前的迭代点拒绝.在适当的假设下,证明算法的全局收敛性,并给出算法初步的数值实验结果.

求解布尔与非线性数值约束相混合的约束问题(英文)

布尔与数值变量相混合的约束问题有着广泛的应用,但是当约束中的数值变量间存在非线性关系时该问题求解起来十分困难.目前的许多求解方法都是不完备的,即这些方法不能完全肯定某些包含非线性数值表达式的约束是否能够成立.针对这种问题,提出了将非线性数值约束转化为特殊形式的优化问题,采用全局优化算法对其进行求解的方法.已经实现了一个基于此方法的原型工具.实验结果表明,该方法能够有效地求解非线性混合约束问题,并且总能够得到该约束条件是否可满足的结果.

基于控制思想求解非线性规划问题的李雅普诺夫方法

为了高效求解非线性规划问题,对一种基于控制思想的新颖方法——李雅普诺夫方法——进行了研究.该方法将约束非线性规划问题转化为一个动态系统,基于系统的动态特性给出原优化问题的最优解.分别针对单目标和多目标的非线性规划问题,对算法的收敛性进行了分析,给出了算法在应用时松弛变量、增益因子等关键参数的取值建议.大量数值算例验证了上述收敛性及参数取值建议的正确性,表明了该方法在求解非线性规划问题时的巨大潜力和新颖性.

大规模过程系统优化的序列界约束方法

基于非线性约束极小化的序列无约束方法,对大规模过程系统稳态优化的序列界约束方法进行了研究。该约束方法的罚函数只包含对等式和/或不等式约束的惩罚项,不包含对界约束的惩罚项,通过迭代求解一系列界约束极小化子问题而非无约束极小化子问题获得原问题的解;算法按2层结构实现,内层结构中主要求解界约束极小化子问题得到下一个迭代点,外层迭代主要修改乘子向量和罚向量以及检查收敛准则是否满足,重构下次迭代的界约束子问题,或在收敛准则满足时终止算法。此外,给出了求解界约束极小化子问题的修改截断Newton法,并用一类规模可变的约束优化问题和一类最优控制问题对所给方法进行了数值试验,试验结果表明,所给序列界约束方法是非常稳定和有效的。

序列无约束极小化技术和遗传算法在非线性规划中的应用

本文提出了一种求解带约束非线性规划问题的一般方法。与现有的方法相比 ,它不受可导性 ,单峰性和是否病态等因素的限制 ,适用范围广。

解非线性互补问题的约束积分水平集算法

本文考虑有约束的非线性互补问题的全局最优化问题,在文[1][5]的基础上,利用数论中一致分布佳点集列,给出了以数论方法代替Monte-Caclo投点的实现算法,并证明了所给实现算法的全局收敛性.最后所给出的两个数值例子表明本算法对求非线性互补问题是有效的.

基于模式搜索方法的解不等式约束优化问题的算法设计

针对不等式约束的优化问题,构造了一类带新的NCP函数的增广拉格朗日函数,在一定的条件下,证明了增广拉格朗日函数的平稳点、局部极小点之间、全局最小点与原问题KKT点、局部极小点全局最小点有1-1对应关系。然后针对这个增广拉格朗日函数的特点,把模式搜索方法运用在构造的算法中,并证明了算法的收敛性。