带3-分片 NCP函数的无罚函数和滤子的SQ P算法.pdf

带3-分片 NCP函数的无罚函数和滤子的SQ P算法.pdf

ID:54017392

大小:725.37 KB

页数:5页

时间:2020-04-28

带3-分片 NCP函数的无罚函数和滤子的SQ P算法.pdf_第1页
带3-分片 NCP函数的无罚函数和滤子的SQ P算法.pdf_第2页
带3-分片 NCP函数的无罚函数和滤子的SQ P算法.pdf_第3页
带3-分片 NCP函数的无罚函数和滤子的SQ P算法.pdf_第4页
带3-分片 NCP函数的无罚函数和滤子的SQ P算法.pdf_第5页
资源描述:

《带3-分片 NCP函数的无罚函数和滤子的SQ P算法.pdf》由会员上传分享,免费在线阅读,更多相关内容在行业资料-天天文库

1、第35卷第4期河南科技大学学报:自然科学版Vol.35No.42014年8月JournalofHenanUniversityofScienceandTechnology:NaturalScienceAug.2014文章编号:1672-6871(2014)04-0082-04带3分片NCP函数的无罚函数和滤子的SQP算法周敏,尚有林(河南科技大学数学与统计学院,河南洛阳471023)摘要:对于非线性约束优化问题,提出了一种新的无罚函数和滤子的SQP算法。根据优化问题的一阶KKT条件,利用乘子和3分片NCP函数,得到非光滑方程以致简化优化问题。在线搜索的过程中,采

2、用无罚函数和滤子的方法。同时证明了该SQP算法是可行的,并具有全局收敛性。关键词:滤子;SQP算法;收敛;NCP函数中图分类号:O224文献标志码:A0引言考虑如下的约束非线性规划问题(NLP):minf(x);x∈瓗ns.t.C(x)≤0,i∈I={1,…,m},innn其中,x∈瓗,f:瓗→瓗,Ci:瓗→瓗,都是二次连续可微函数。非线性规划问题(NLP)的拉格朗日函数为:mTL(x,λ)=f(x)+λc(x)=f(x)+λici(x),(1)i=1Tm其中,λ=(λ1,…,λm)∈瓗是乘子向量。如果(x,λ)是KKT点,则它满足最优性条件:xL(x,λ)=

3、0,ci(x)≤0,λi≥0,λici(x)=0,i∈I。(2)问题(2)是一种非线性互补问题(NCP)。由于NCP函数的各种性质引起了广泛的关注,一个解决非线性互补问题(2)的方法是构建一个可求解的非线性方程:Φ(x,λ)=0。为了避免实际问题中惩罚[1]参数的设置,Fletcher第一次提出了关于求解约束非线性优化问题的滤子方法,同时定义了约束违反度函数mp(c(x))=max{0,c(x)}。ii=1Gould和Toint提出了一种新的无罚函数和滤子的方法,这个方法被证明是全局收敛性的,并用于[2-6]SQP方法或信赖域SQP方法关于非线性等式约束问题的求

4、解。本文对于非线性约束优化问题,提出了一种新的无罚函数和滤子的SQP算法。根据优化问题的一阶KKT条件,利用乘子和3分片NCP函数,得到非光滑方程以致简化优化问题。在线搜索的过程中,采用无罚函数和滤子的方法。对给出的新的SQP算法,证明了该算法是可实现的,并进一步讨论了该算法的收敛性。1预备知识2定义1函数:瓗→瓗,如果有基金项目:国家自然科学基金项目(10971053);河南省自然科学基金项目(094300510050)作者简介:周敏(1987-),女,河南三门峡人,硕士生;尚有林(1963-),男,河南洛阳人,教授,博士,博士生导师,主要研究方向为非线性规

5、划.收稿日期:2013-10-29第4期周敏等:带3分片NCP函数的无罚函数和滤子的SQP算法·83·(a,b)=0a≥0;b≥0;ab=0,则称为一个NCP函数。较为常用的NCP函数有FBNCP函数、极小化NCP函数、3分片线性NCP函数等,对于其他的NCP函数及其性质,见文献[7-8]。本文采用3分片线性NCP函数来求解,形式如下:23a-a/b,b≥a>0或3b>-a≥0;(a,b)=2{3b-b/a,a>b>0或3a>b≥0;9a+9b,a≤0且-a≥3b,或-3a≤b≤0,式中,是除原点外处处可微函数,但是在原点处是强半光滑。(3-2

6、a/b)22,b≥a>0或3b>-a≥0;a/b22b/a(a,b)=(),a>b>0或3a>b≥0;3-2b/a9(),a≤0且-a≥3b,或-3a≤b≤0;923-2ttA=B(0,0)=():-3≤t≤{2:-3≤t≤1}∪{()1}。t3-2t为了充分利用NCP函数与KKT条件间的关系和NCP函数几乎处处可微的性质,本文改造滤子中的度量,将约束违反度函数p(x)修正为:p(x,μ)=(x,μ)∞=max(-ci(x),μi)。1≤i≤mknkk对于一个给定的迭代点x∈瓗,即问题(NLP)的局部最优解x的当前估计,解如下问题QP

7、(x,kkkd)得d(同时可以得到问题QP(x,d)对应的乘子λ),kkkTk1Tk(QP(x,△)):minq(d)=df(x)+dHd;2kTks.t.ci(x)+dc(x)≤0,i∈I;kkd≤△,(3)k其中,H是拉格朗日函数的近似Hessian阵;·表示欧几里得范数。k函数f(x)的真实下降量kkkk△f(d)=f(x)-f(x+d);(4)kf(x)的预测下降量kkkTk1Tk△q(d)=q(0)-q(d)=-df(x)-dHd;(5)2kf(x)的充分下降条件表示为:kk△f(d)≥τ△q(d),△q>0,(6)其中,τ是某一个常数。k+1k+

8、1选择x为

当前文档最多预览五页,下载文档查看全文

此文档下载收益归作者所有

当前文档最多预览五页,下载文档查看全文
温馨提示:
1. 部分包含数学公式或PPT动画的文件,查看预览时可能会显示错乱或异常,文件下载后无此问题,请放心下载。
2. 本文档由用户上传,版权归属用户,天天文库负责整理代发布。如果您对本文档版权有争议请及时联系客服。
3. 下载前请仔细阅读文档内容,确认文档内容符合您的需求后进行下载,若出现内容与标题不符可向本站投诉处理。
4. 下载文档时可能由于网络波动等原因无法下载或下载错误,付费完成后未能成功下载的用户请联系客服处理。