具有O(n～(1/2)L)复杂性的Mehrotra型预估-矫正算法

针对内点方法在理论和实践之间存在着计算效果好的算法在理论上具有较差复杂性的矛盾,提出一种求解线性规划问题的Mehrotra型预估-矫正内点算法,并证明了该算法的迭代复杂性是O(槡nL).数值实验结果验证了算法的有效性.

线性规划的一个新的Mehrotra型预估-矫正算法

在线性规划的内点算法中,理论和实践之间存在着数值效果好的算法具有较差复杂性的矛盾.目前大多数内点算法软件的执行采用Mehrotra型预估-矫正算法.本文提出了求解线性规划问题的一个新的Mehrotra型预估-矫正算法,证明了该算法的迭代复杂性是O(槡n L),这是内点算法所具有的最好的复杂性结果.

单调线性互补问题的Mehrotra型预估-校正算法的迭代复杂性(英文)

Mehrotra型预估-校正算法是很多内点算法软件包的算法基础,但它的多项式迭代复杂性直到2007年才被Salahi等人证明.通过选择一个固定的预估步长及与Salahi文中不同的校正方向,本文把Salahi等人的算法拓展到单调线性互补问题,使得新算法的迭代复杂性为O(nlog((x0)Ts0/ε)),同时,初步的数值实验证明了新算法是有效的.

线性互补问题的Mehrotra型预估矫正算法

以艾文宝的邻域跟踪算法为基础,增加了一个二阶矫正项,提出了单调线性互补问题的一个Mehrotra型预估矫正算法.由于单调线性互补问题的迭代方向不具有正交性,因此算法的理论分析变得复杂.通过分析,得到了目前线性互补问题最好的复杂度.

凸二次规划的一种基于削减策略的Mehrotra型预估-校正算法

2008年,Salahi等对线性规划提出一种新的Mehrotra型预估-校正算法.基于削减(cut)策略,该算法保证校正步长有下界,从而具有多项式复杂性.基于这种思路,将此方法推广到凸二次规划.由于新算法的迭代方向不再正交,因此算法的复杂性分析与线性规划时不同.通过一些新的技术引理,证明了算法在最坏情况下,至多经过O(n5/2logεn)次迭代终止.最后,利用数值实验验证了算法的可行性与有效性.

一种新的半定规划的Mehrotra型预估矫正算法

Salahi等人提出了线性规划的一种新的Mehrotra型预估矫正算法.针对该算法在线性规划上具有很好的实际计算效果,本文将该算法推广到半定规划问题上.基于NT方向,利用Lyapunov算子,最后证明了算法的O(n^(1/2)L)迭代复杂性.

P_*(κ)线性互补问题的Mehrotra型预估-校正算法复杂性分析(英文)

本文提出一种求解单调非线性互补问题的Mehrotra型预估-校正算法.新算法采用不同的自适应更新策略.在尺度化的Lipschitz条件下,证明了新算法的迭代复杂性为O(n2log((x0)Ts0/ε)),其中(x0,s0)为初始点,ε为精度.

线性规划的二阶不可行预估-矫正算法

基于Mehrotra型预估-矫正算法在锥规划问题中的应用,利用一种新的自适应更新方法,在没有引进任何"保障措施"的情况下,提出了一个宽邻域上线性规划问题的不可行内点算法,并且证明了算法具有O(n1.5log(1/ε))迭代复杂性.

线性规划的一个宽邻域预估-矫正内点算法

在线性规划的内点算法中,宽邻域算法比窄邻域算法的数值效果好,但宽邻域算法的复杂性比窄邻域差.提出了求解线性规划问题的一个宽邻域预估-矫正内点算法,证明了该算法的迭代复杂性是O(n L),这是线性规划的内点算法中最好的复杂性结果.

凸二次规划的一个Mehrotra型预估校正算法

将Salahi等人对线性规划的优化算法推广到凸二次规划,证明了推广后的算法在最坏情况下,至多经过On2log(x0)Ts0ε次迭代后终止,其中n是问题的规模,(x0,s0)是算法的初始可行点,ε是精度.最后给出了Matlab仿真实验,验证了算法的可行性.

一种新的凸二次规划的Mehrotra型预估–校正算法(英文)

Mehrotra型预估–校正算法是众多基于内点算法的优化软件包的核心算法.最近,Salahi等人对线性规划提出一种新的Mehrotra型预估–校正算法.该算法不仅有多项式复杂性还具有良好的实际计算效果.本文将其算法推广至凸二次规划,这种算法在预估步最大可行步长高于某一阈值时将其削减,若首次削减仍没得到合适的校正步长,则将预估步长进行再削减,从而保证校正步步长有合适下界.算法在最坏情况下的迭代复杂性为O(n3/2 logn/ε).最后,Matlab仿真实验验证了算法的可行性.

基于新障碍参数更新的二阶Mehrotra型预估—校正算法

针对二阶Mehrotra型预估-校正算法的一种变型算法,本文介绍一种新的自适应障碍参数更新法。利用该更新方法提出了相应的算法。新算法与之前的二阶Mehrotra型预估-校正算法相比,不用根据预估步和校正步的步长来确定参数的更新,而是在每步迭代中都采用自适应更新。最后证明了该算法在没有引进任何"保障措施"的情况下也具有相同的多项式时间复杂度。

对称锥上基于宽邻域的预估矫正算法

在对称锥上提出了一种新的Mehrotra型预估矫正算法,每部迭代都跟踪宽领域N-∞(τ),但不一定属于该邻域,但是总在更宽的邻域N(τ,β),我们给出了比原邻域更好的复杂性O(n(1/2)L),在对称锥规划上,它具有路径跟踪算法最好的复杂性.

基于自适应参数校正策略求解SDP的二阶Mehrotra型内点算法

最近,Salahi提出了一种求解线性规划的基于自适应参数校正策略的二阶Mehrotra型预估-校正算法,并在不使用安全策略的情况下证明了其迭代的多项式复杂性。本文将这一算法推广到半定规划。通过利用Zhang的对称化技术,同样在不使用安全策略的情况下,证明了算法的多项式迭代复杂界。

半定规划的一种Mehrotra型预估-校正算法

将一种Mehrotra型预估-校正算法推广到半定规划。首先给出了半定规划基于Mehrotra型预估-校正算法的一些基本理论,尤其是对称化技术;随后通过分析这种算法的迭代复杂性,给出算法的重要思想:在校长步中采用安全策略,给出新算法的最大预估步长的上界,算法过程中对最大预估步长进行削减策略:当最大预估步长大于某个阈值时,对此步长进行削减(可重复),从而得到合适的校正步长下界;最终通过采用以上策略及NT搜索方向,得到了该算法的多项式复杂界。

求解凸二次规划的一种二阶Mehrotra型预估-校正算法

给出了求解凸二次规划的一种二阶Mehrotra型预估-校正算法。该算法受Salahi等人对线性规划提出的相应算法启发,引入了安全步策略,保证了校正步步长有适当下界,从而具有多项式复杂性。由于算法迭代方向不正交,算法在罚参数的校正和复杂性的分析上有别于线性规划的情形。最后,通过一些新的技术性引理,证明了算法在最坏情况下的迭代复杂性为O{n3/2log((x0)Ts0)/ε}。