论文部分内容阅读
本论文主要研究约束Lipschitz优化问题的约束规范,约束DC优化问题的序列凸近似方法和邻近点方法,以及作为应用的联合机会约束优化问题的序列凸近似方法,取得的主要结果可概述如下：第二章对于约束Lipschitz优化问题提出弱于[1]中的广义Robinson约束规范(GRCQ)的三个新的约束规范：弱广义Robinson约束规范,有界约束规范,广义Abadie约束规范,研究了这些约束规范与解映射平稳性条件之间的联系.研究结果表明,弱广义Robinson约束规范和有界约束规范是容易验证的保证解映射平稳性条件的充分性条件,而用变分分析中的图导数刻画的广义Abadie约束规范,弱于解映射的平稳性条件.我们把这些约束规范应用到带有互补约束的数学规划(MPCC)问题中,得到了保证MPCC问题C-稳定点的新的约束规范.第三章考虑目标函数和不等式约束函数均为DC函数的DC优化问题.分非光滑DC优化和光滑DC优化两种情况,研究序列凸近似方法的收敛性.首先,将非光滑DC优化的稳定点条件表示为一单调集值映射的广义方程.构造非光滑DC优化问题的一个序列凸近似方法,它生成可行的使目标函数值下降的点列.基于序列凸问题可行域的连续收敛性和Klatte and Li(1999)[2]的渐近约束规范,证得序列凸近似方法生成序列的任何聚点均是非光滑DC优化问题的稳定点.类似地,我们构造光滑DC优化问题的一个序列凸近似方法,在广义Slater条件下,得到凸问题约束集合序列的连续收敛性,同样证得序列凸近似方法生成序列的任何聚点均是光滑DC优化问题的稳定点.第四章考虑的是目标函数为一光滑函数与—DC函数之和,不等式约束函数为DC函数的非光滑优化问题.用—严格凸的二次函数(称为迫近项)来近似目标函数中的光滑函数,用线性函数近似所有DC函数的第二个凸函数,得到确定搜索方向的凸优化问题.首先研究搜索方向为凸问题的精确解,步长采用Armijo线搜索原则得到的迫近次梯度方法的收敛性；其次研究搜索方向为凸问题的非精确解,步长采用Armijo线搜索原则得到的近似迫近次梯度方法的收敛性；收敛性定理表明,两种方法生成的序列的任何聚点均是稳定点.第五章考虑目标函数是—DC函数的联合机会约束优化问题.我们采用Hong, Yang and Zhang(2011)[3]对约束的处理方法,用DC函数近似约束函数,得到一依赖于参数ε>O的问题(Pε)来近似原来的概率约束问题.在合适的假设条件下,证明ε—O时,(Pε)的全局最优解到原问题全局最优解的收敛性以及(Pε)的稳定点的收敛性.采用序列凸优化方法求解每一个(Pε),并证明了收敛性定理.由于序列凸优化方法涉及的凸规划问题是数学期望函数定义的问题,我们采用Monte Carlo方法求解这些凸问题,并用得到的序列凸近似Monte Carlo方法求解随机L1范数极小化问题和非凸随机二次规划问题,报告了得到的数值结果.同Hong, Yang and Zhang (2011)[3]不同的是,我们讨论的问题的目标函数是一光滑函数与一DC函数之和,形式更一般,而且不要求极大值随机函数c(x,ξ)=max{c1(x,ξ),…,cP(x,ξ)}的可微性,也不要求c(x,ξ)的积累函数F(,,x)的连续可微性.