约束优化问题稳定序列二次规划方法综述.docxVIP

约束优化问题稳定序列二次规划方法综述 0 全局算法性能分析 作为二次稳定序列模型（ssqp）方法的重要延伸，《稳定序列》的二次规划方法需要考虑子问题模型、假设条件、技术结构、收敛性质（整体收敛或收敛速度）和数值效应。特别是在相对较弱条件下的收敛速度和数值效应。在退化限制优化问题上，当相应的原始解的拉格朗日乘数不均匀时，从1998年开始，快速收敛的实施就比较困难。 上述文献主要聚焦在最优解的局部范围内构造有效算法, 并研究不同假设条件对其收敛速度的影响, 建立了一批局部超线性收敛或二次收敛的sSQP方法.这些文献都侧重于局部收敛速度的分析, 对算法全局优化策略 (全局收敛性质) 未做深入研究.而此问题正是实际应用和优化学者们希冀解决的问题, 也是衡量最优化算法有效性的重要指标之一.近年来, 尽管国内外不少学者对全局化sSQP方法潜心研究, 但成果有限.本文主要介绍如下几类的全局sSQP算法:罚函数型sSQP方法 1 使用原始对偶效益函数 当前, 对sSQP方法全局化策略的研究仍是一项极其具有挑战性的工作, 其中约束优化sSQP方法全局化时罚函数的选取极其困难, 这对于最优性或下降性影响甚大.Gill等 考虑等式约束优化问题: 进而, 定义函数 基于上述sSQP方向 (搜索方向) , 文献[12]采用如下原始对偶效益函数 此处选取适当罚参数c 由文献[16]和文献[17]知, 原始对偶效益函数 (6) 是一个精确罚函数.即如果c 为便于分析和陈述算法的收敛性条件, 下面复述二阶充分条件 (S OSC) (文献[12]) 以及临界Lagrangian乘子和非临界Lagrangian乘子 定义1称珔λ∈M (ue0af) 满足二阶充分条件 (S OSC) , 如果 显然, 如ue49f∈M (ue0af) 满足S OSC, 则其是非临界乘子, 故非临界乘子条件弱于S OSC. 算法1 (文献[12]中sSQP算法) 初始步选取参数 步骤1由 (4) 式计算Φ 步骤2令 步骤3 (i) 如果 则进入步骤5. (ii) 如果 且 (iii) 如果 步骤4选取 (n+l) 阶对称正定矩阵Q 的最小非负整数. 在算法1的迭代过程中, 常量值C 2 滤子型ssqp算法 滤子法是近20年提出的求解非线性约束优化的一种有效方法.该方法的提出是为了避免在实际问题中设置罚参数.早期滤子法的研究归功于Fletcher和Leyffer 考虑如下一般非线性规划问题: 这里μ= (μ 对于当前给定的原始对偶估计迭代点对 (x 问题 (15) 是一个传统的稳定QP子问题模型.源于算法良好的收敛性质, 设计了两种乘子更新方式, 其中μ 基于问题 (15) 的解 (d 在设计非线性规划问题 (13) 的有效算法时, 除需要对目标函数进行极小化, 同时要不断降低约束违反度函数: 然而, 搜索方向 (d 进而引进双滤子技术 (基于文献[21], 但有所改进) , 包括“全局滤子”和“局部滤子”.前者致力于算法收敛于KKT点或稳定点, 后者以实现其局部收敛速度.对于第k次迭代, “全局滤子”和“局部滤子”分别记为F 定义3 定义4 定义5 此处γ 定义6 对于问题 (13) 及当前迭代点对 (x 此外, 文献[13]结合“全局滤子”接受条件, 进一步利用回溯技术选择了恰当的步长α 开关条件: 其中, 常数 对于原始对偶迭代点对 其中, 其中, μ 下面给出求解问题 (13) 的滤子型sSQP算法. 步骤1如果 (x 步骤2求解稳定QP子问题 (17) , 产生原始对偶解 步骤3如果 步骤4启动算法3 (算法2之内循环) , 获得点对 且Flag=GL OBAL, 利用拟牛顿公式更新矩阵B 算法3 (算法2之内循环) 步骤2如果 步骤3如果开关条件 (26) 不成立或充分下降条件 (27) 成立, 则终止.否则令α=rα, 返回步骤1. 利用双滤子技术, 由算法2产生的所有迭代点均能被滤子接受 (全局滤子或局部滤子) , 这对整个算法的收敛性质分析起到至关重要的作用.在理论上, 不需要任何约束规格, 即可证明:滤子型sSQP算法2不仅具有全局收敛性 (存在收敛子列或收敛于KKT点, 或收敛于不可行稳定点) , 而且在SOSC下, 算法达到超线性收敛速度. 3 ir型ssqp算法 sSQP方法的研究最早可以追溯到20世纪末, 虽然在适当的假设条件或技术下早期的研究成果实现了算法快速的收敛速度, 但在理论上能实现全局收敛的成果较少.滤子型sSQP方法需储存滤子信息, 会造成存储量大, 而且当迭代点远离可行域, 或者在迭代过程中当试探步长比既定下界要小时, 为寻找一个能被全局滤子接受的新迭代点, 需要执行可行性恢复阶段, 这无疑增加算法计算成本, 从而影响数值效果.然