论一类资源最优配置问题及应用

本文考虑了一类资源最优配置问题.应用Kuhn-Tucher定理得到了这类问题最优解的充要条件.我们应用这个条件来考虑一类从工业投资、教育投资等问题中导出的最优投资模型,得到了这个问题最优解的充要条件,应用这个条件导出了求解这个模型的具有时间复杂度为o(mn)的多项式型新算法.

一类可微凸多目标分式规划的最优性条件

讨论了一类向量分式多目标规划问题(VFP)在fi(x)0(i=1,2,…,p),ρ(x)>0,f(x)、g(x)、ρ(x)均为可微凸函数条件下的Kuhn-Tucher型最优性条件。

一类凸二次规划的对偶方法

推广了Goldfarb与Idnani提出的严格凸二次规划的对偶方法 ,使其可以用于求解一类凸二次规划 。

一种低反馈开销多用户MIMO-OFDM系统功率最小化方案

该文利用凸规划理论中的库恩-塔克条件,为基于TCM编码的多用户MIMO-OFDM系统中实时业务资源优化问题提出了一种低反馈开销的功率最小化方案。该方案首先设计速率、功率和等效信道量化门限的码本,然后根据当前的信道状态信息分配子载波并对等效信道增益量化,最后基站给用户广播资源分配结果。仿真结果表明:相比其它方案,该文提出的方案有效降低系统能耗并且具有反馈开销低的特点。

具有私人信息的道德风险的委托—代理人模型的合约分析

本文对存在的不对称信息的环境下的具有私人信息道德风险的委托—代理人模型的合约问题进行了详细的讨论,并得出一些有新意的结论.此讨论问题的方法很值得推荐和推广,特别是在最优激励合同中,比如投资激励,管理机制中的激励,销售激励,保险激励等合同的设计,都可以借鉴此方法来研究和分析.

解线性等式—不等式约束问题的一种简约梯度法

对于同时带有线性等式—不等式约束的非线性规划问题,给出了一种简约梯度法。简约梯度的计算只用到起作用约束。我们证明了基本结果:在非K—T点的可行点处,用所给方法能得到可行的下降方向。

基于信道编码的MIMO-OFDM非迭代自适应资源分配算法

针对空时编码级联波束形成的MIMO-OFDM系统,研究了考虑信道编码的自适应传输方案.本文首先从编码增益的角度出发,利用统计信道状态信息,推导了保证用户QoS星座距离的表达式;然后证明了研究的优化问题是凸规划问题,并根据库恩-塔克条件推出了最优功率和比特加载的封闭形式解;最后提出了一种非迭代的自适应资源分配算法.仿真结果表明,本文提出算法在保证用户QoS的情况下,能够有效逼近系统吞吐量的理论值,同时该算法具有计算复杂度低的特点,可以满足实时通信的要求;并且采用LDPC码的码率越低,系统吞吐量越大.

数学最优化求解法在经济学中的应用

经济学中经常需要解决"优化"问题,如需求最优化、生产利润最优化、生产产量最优化、委托人最优规划、投资效用最大化。这类问题解决的主要方法就是数学最优化求解法,有无约束最优化求解法、等式约束最优化求解法、不等式约束最优化求解法、动态规划求解法等。本文主要用这些数学方法解决某些经济学最优化问题,体现经济学与数学的完美结合。

基于SVM的Web文本快速增量分类算法

针对基于支持向量机的Web文本分类效率低的问题,提出了一种基于支持向量机Web文本的快速增量分类FVI-SVM算法。算法保留增量训练集中违反KKT条件的Web文本特征向量,克服了Web文本训练集规模巨大,造成支持向量机训练效率低的缺点。算法通过计算支持向量的共享最近邻相似度,去除冗余支持向量,克服了在增量学习过程中不断加入相似文本特征向量而导致增量学习的训练时间消耗加大、分类效率下降的问题。实验结果表明,该方法在保证分类精度的前提下,有效提高了支持向量机的训练效率和分类效率。

基于中心凸包算法与增量学习的SVM算法研究

基于计算几何理论,在分析支持向量与凸包向量关系的基础上,提出了一种基于中心凸包算法与增量学习的SVM学习算法。在确保分类器达到可靠精度的前提下,为解决学习中时耗过长的问题,在对当前训练集计算凸包的基础上采用欧式中心距离淘汰法对训练样本进一步精简,并且每次进行增量学习的样本都包含前次训练样本集中违背KKT条件的样本,在UCI数据库上进行算法对比实验,结果表明算法的可行性和有效性。

面向概念漂移问题的渐进多核学习方法

针对概念漂移问题,构建数据特性随时间发生渐进变化特点的分类学习模型,提出一种基于渐进支持向量机(G-SVM)的渐进多核学习方法(G-MKL)。该方法采用支持向量机(SVM)为基本分类器,进行多区间上的子分类器耦合训练,并通过约束子分类器增量方式使模型适应数据渐进变化特性,最终将多个核函数以线性组合方式融入SVM求解框架。该方法综合发挥了各个核函数的优势,大大提高了模型适应性和有效性。在具有渐变特性的模拟数据集和真实数据集上将所提算法与多种经典算法进行了对比,验证了所提算法在处理非静态数据问题的有效性。