解等式约束规划的信赖域SQP滤子方法

讨论了一种信赖域SQP滤子方法的局部收敛性.滤子方法会遇到Maratos效应,尽管完全牛顿步可能是一个超线性收敛步,但是当迭代点充分靠近原问题的严格局部解时,完全牛顿步可能会使目标函数值和约束违反度上升,从而不被算法接受,于是破坏了算法的收敛性.给出一种修改后的信赖域SQP滤子算法,当完全步不被接受时,对算法进行二阶校正(SOC),可以减小其不可行性.修改后的算法可以避免Maratos效应,使算法达到局部超线性收敛.

局部超线性收敛的信赖域SQP滤子方法

讨论信赖域SQP滤子方法的局部收敛性,SQP滤子方法是解非线性规划的一种较为有效的方法。但是,滤子方法也会遇到Maratos效应。当迭代点充分靠近原问题的严格局部解时,完全牛顿步可能会使目标函数值和约束违反度都上升,从而不被滤子接受,影响了算法的收敛速度。对R.Fletcher,S.Leyffer和L.Toint在"SQP滤子全局收敛算法(2002)"文中的算法进行了修改,提出了一类新的算法。在这类算法中,如果完全牛顿步不被滤子接受,就通过对它进行一个二阶校正(SOC),使得它容易被滤子接受,保证算法具有局部超线性收敛性。

解非线性规划信赖域SQP滤子方法的局部收敛性

讨论了信赖域SQP滤子方法的局部收敛性。SQP滤子方法是解非线性规划的一种较为有效的方法,但是滤子方法也会遇到Maratos效应。虽然完全牛顿步可能是一个超线性收敛步,但是当迭代点充分靠近原问题的严格局部解时,完全牛顿步可能会使目标函数值和约束违反度都上升,从而不被滤子接受,于是就影响了算法的收敛速度。对FLETCHER R,LEYFFER S,Ph.TOINT L在On the global convergence of a filter-SQP algorithm(2002)一文中的信赖域SQP滤子方法进行了修改,提出了一类新的算法:在这类算法中,如果完全牛顿步不被滤子接受,就通过对它进行一个二阶校正(SOC)来使得它容易被接受。

一类不带二阶校正的超线性收敛滤子方法

提出了一类求解非线性约束优化问题的线搜索滤子算法。在滤子结构中用拉格朗日函数取代目标函数,在不用二阶校正的情况下可避免Maratos效应。在较弱的条件下,算法可得到全局收敛性和超线性收敛性。

不等式约束优化超线性收敛的信赖域-SQP算法

本文讨论不等式约束优化问题,给出—个信赖域方法与SQP方法相结合的新算法.算法中的QP问题始终相容,并且QP问题产生的搜索方向始终为可行方向.采用高阶校正的方法来克服算法产生的Maratos效应现象.在适当的条件下,证明了算法的全局收敛性和超线性收敛性.数值结果表明算法是有效的.

一簇非线性等式约束优化问题的过滤线搜索修正正割方法

本文提供了一簇新的过滤线搜索修正正割方法求解非线性等式约束优化问题.新算法簇的特点是:用修正正割算法簇中的一个算法获得搜索方向,回代线搜索技术得到步长,过滤准则用来决定是否接受步长,引入二阶校正技术减少不可行性并克服Maratos效应.在合理的假设条件下,分析了算法的总体收敛性.并证明了,通过附加二阶校正步,算法簇克服了Maratos效应,并二步Q-超线性收敛到满足二阶充分最优条件的局部解.数值结果表明了所提供的算法具有有效性.

一个使用增广拉格朗日函数的改进的SQP算法

通过引进一个辅助参数改变二次子规划的约束形式,使子问题总存在最优解.使用一个可微增广拉格朗日函数作为效益函数来确定步长,避免了Maratos效应.