求解二次规划问题的拉格朗日及有效集方法
含VSC-HVDC的交直流系统可用输电能力计算

含VSC-HVDC的交直流系统可用输电能力计算李国庆;张健【摘要】利用等值电压源方法对电压源换流器进行等效,从而导出了适合于优化计算的电压源换流器型直流输电(VSC-HVDC)系统模型.该模型能够考虑换流器的各种控制方式及运行限制,且可用于多端直流系统.建立了含有VSC-HVDC的交直流系统可用输电能力计算模型,在模型中考虑了对换流器控制变量的多种优化方式,并应用序列二次规划法对模型进行求解.通过对修改后的EPRI-36节点交直流系统进行仿真计算,验证了所提出模型的实用性及算法的有效性.%The voltage source converter is equivalently represented by voltage source model, thus the model of voltage source converter-high voltage direct current (VSC-HVDC) system suitable for optimal power flow calculation is developed.The model considers any control mode and operating limits of the converter: moreover, it could be applied to multi-terminal VSC-HVDC.The mathematical model of ATC for AC/DC systems with VSC-HVDC is set up in this paper, in which various methods for optimizing control variables of converters are considered.Sequential quadratic programming method is applied to calculate the ATC model.The modified EPRI-36 bus AC/DC system is simulated and numerical results illustrate the utility and validity of the proposed model and method.【期刊名称】《电力系统保护与控制》【年(卷),期】2011(039)001【总页数】7页(P46-52)【关键词】可用输电能力;电压源换流器;交直流系统;序列二次规划法【作者】李国庆;张健【作者单位】东北电力大学电气工程学院,吉林,吉林,132012;吉林省电力有限公司调度通信中心,吉林,长春,130021【正文语种】中文【中图分类】TM71在电力市场环境下,电力系统区域间可用输电能力不仅是衡量输电网传输能力的一个重要指标,也可以为判断电网是否安全稳定运行提供依据,而且还能够引导市场参与者进行电力交易、刺激商业竞争以充分利用现有资源。
规划数学最优性条件及二次规划

判别条件
D 若
是 X (0) 的任一可行方向,则有 g j (X ) (0) T D 0, j J (X (0) ) (1)
3 下降方向 定义:
X (0) R, 0, [0,0] 时有 f (X (0) D) f (X (0) ) 称 D 为X (0)处的下降方向
判别条件
若 D 是 X (0) 的任一下降方向,则有 f ( X (0) )T D 0 (2) 若 D 既满足(1)式又满足(2)式则称 D 为 X (0)的下 降可行方向
*) 2*g2 ( X 1*g1( X *) 0 2*g2 ( X *) 0
*
)
3*g3
(
X
*
)
0
3*g3 ( X *) 0
1*, 2*, 3* 0
1
0
1*
3(1 x1* 1
)2
2*
1 0
3*
0 1
0 0
1*[(1 x1*)3 x2*] 0 2* x1* 0
(2)
x2
3, 1
1 6
X (0, 3)T 是K-T点
(iii)
1
0, 2
0
( 3),( 4 )
x12
x1
x22 x2
9 1
T
X
1
2
17
1 17 2
, 或X
1 17 2
(1) (2) 21(x1 x2 ) 1 2x1 (6)
T
1 17 2
将求出的 1 17 1 17 T
p
处起作用(紧)约束的下标集
记 R=X g j (X ) 0 j 1,..., p 或 R=X g j (X ) 0 j 1,..., p;hi (X ) 0,i 1,..., m
序列二次规划算法

序列二次规划法求解一般线性优化问题:12min (x)h (x)0,i E {1,...,m }s.t.(x)0,i {1,...,m }i i f g I =∈=⎧⎨≥∈=⎩ (1.1) 基本思想:在每次迭代中通过求解一个二次规划子问题来确定一个下降方向,通过减少价值函数来获取当前迭代点的移动步长,重复这些步骤直到得到原问题的解。
1.1等式约束优化问题的Lagrange-Newton 法考虑等式约束优化问题min (x)s.t.h (x)0,E {1,...,m}j f j =∈=(1.2)其中:,n f R R →:()n i h R R i E →∈都为二阶连续可微的实函数. 记1()((),...,())T m h x h x h x =. 则(1.3)的Lagrange 函数为: 1(,)()*()()*()mT i i i L x u f x u h x f x u h x ==-=-∑(1.3)其中12(,,...,)T m u u u u =为拉格朗日乘子向量。
约束函数()h x 的Jacobi 矩阵为:1()()((),...,())T T m A x h x h x h x =∇=∇∇.对(1.3)求导数,可以得到下列方程组:(,)()A()*(,)0(,)()T x u L x u f x x u L x u L x u h x ∇⎡⎤⎡⎤∇-∇===⎢⎥⎢⎥∇-⎣⎦⎣⎦(1.4)现在考虑用牛顿法求解非线性方程(1.4).(,)L x u ∇的Jacobi 矩阵为:(,)()(,)()0T W x u A x N x u A x ⎛⎫-= ⎪-⎝⎭(1.5)其中221(,)L(,)()*()mxx iii W x u x u f x u h x ==∇=∇-∇∑是拉格朗日函数L(,)x u 关于x 的Hessen 矩阵.(,)N x u 也称为K-T 矩阵。
对于给定的点(,)k k k z x u =,牛顿法的迭代格式为:1k k k z z z +=+∆. 其中k k (d ,v )k z ∆=是线性方程组k k k k (,)()(x )A(x )u *()0(x )k k k k T T k k d W x u A x f A x v h ⎛⎫-⎛⎫-∇+⎛⎫= ⎪ ⎪ ⎪ ⎪-⎝⎭⎝⎭⎝⎭(1.6)的解。
投资组合理论简介

投资组合理论简介投资组合理论有狭义和广义之分。
狭义的投资组合理论指的是马柯维茨投资组合理论;而广义的投资组合理论除了经典的投资组合理论以及该理论的各种替代投资组合理论外,还包括由资本资产定价模型和证券市场有效理论构成的资本市场理论。
同时,由于传统的EMH 不能解释市场异常现象,在投资组合理论又受到行为金融理论的挑战。
投资组合理论的提出[1]美国经济学家马考维茨(Markowitz)1952年首次提出投资组合理论(Portfolio Theory),并进行了系统、深入和卓有成效的研究,他因此获得了诺贝尔经济学奖。
该理论包含两个重要内容:均值-方差分析方法和投资组合有效边界模型。
在发达的证券市场中,马科维茨投资组合理论早已在实践中被证明是行之有效的,并且被广泛应用于组合选择和资产配置。
但是,我国的证券理论界和实务界对于该理论是否适合于我国股票市场一直存有较大争议。
从狭义的角度来说,投资组合是规定了投资比例的一揽子有价证券,当然,单只证券也可以当作特殊的投资组合。
人们进行投资,本质上是在不确定性的收益和风险中进行选择。
投资组合理论用均值—方差来刻画这两个关键因素。
所谓均值,是指投资组合的期望收益率,它是单只证券的期望收益率的加权平均,权重为相应的投资比例。
当然,股票的收益包括分红派息和资本增值两部分。
所谓方差,是指投资组合的收益率的方差。
我们把收益率的标准差称为波动率,它刻画了投资组合的风险。
人们在证券投资决策中应该怎样选择收益和风险的组合呢?这正是投资组合理论研究的中心问题。
投资组合理论研究―理性投资者‖如何选择优化投资组合。
所谓理性投资者,是指这样的投资者:他们在给定期望风险水平下对期望收益进行最大化,或者在给定期望收益水平下对期望风险进行最小化。
因此把上述优化投资组合在以波动率为横坐标,收益率为纵坐标的二维平面中描绘出来,形成一条曲线。
这条曲线上有一个点,其波动率最低,称之为最小方差点(英文缩写是MVP)。
二次规划问题

9.2.4 二次规划问题9.2.4.1 基本数学原理如果某非线性规划的目标函数为自变量的二次函数,约束条件全是线性函数,就称这种规划为二次规划。
其数学模型为:其中,H, A,和Aeq为矩阵,f, b, beq, lb, ub,和x为向量。
9.2.4.2 相关函数介绍quadprog函数功能:求解二次规划问题。
语法:x = quadprog(H,f,A,b)x = quadprog(H,f,A,b,Aeq,beq,lb,ub)x = quadprog(H,f,A,b,Aeq,beq,lb,ub,x0)x = quadprog(H,f,A,b,Aeq,beq,lb,ub,x0,options)[x,fval] = quadprog(...)[x,fval,exitflag] = quadprog(...)[x,fval,exitflag,output] = quadprog(...)[x,fval,exitflag,output,lambda] = quadprog(...)描述:x = quadprog(H,f,A,b) 返回向量x,最小化函数1/2*x'*H*x + f'*x ,其约束条件为A*x <= b。
x = quadprog(H,f,A,b,Aeq,beq)仍然求解上面的问题,但添加了等式约束条件Aeq*x = beq。
x = quadprog(H,f,A,b,lb,ub)定义设计变量的下界lb和上界ub,使得lb <= x <= ub。
x = quadprog(H,f,A,b,lb,ub,x0)同上,并设置初值x0。
x = quadprog(H,f,A,b,lb,ub,x0,options)根据options参数指定的优化参数进行最小化。
[x,fval] = quadprog(...)返回解x处的目标函数值fval = 0.5*x'*H*x + f'*x。
求解二次规划问题的拉格朗日及有效集方法

求解二次规划问题的拉格朗日及有效集方法——最优化方法课程实验报告学院:数学与统计学院班级:硕2041班姓名:王彭学号:3112054028指导教师:阮小娥同组人:钱东东求解二次规划问题的拉格朗日及有效集方法求解二次规划问题的拉格朗日及有效集方法摘要二次规划师非线性优化中的一种特殊情形,它的目标函数是二次实函数,约束函数都是线性函数。
由于二次规划比较简单,便于求解(仅次于线性规划),并且一些非线性优化问题可以转化为求解一些列的二次规划问题,因此二次规划的求解方法较早引起人们的重视,称为求解非线性优化的一个重要途径。
二次规划的算法较多,本文仅介绍求解等式约束凸二尺规划的拉格朗日方法以及求解一般约束凸二次规划的有效集方法。
关键字:二次规划,拉格朗日方法,有效集方法。
- 1 -《最优化方法》课程实验报告- 2 - 【目录】摘要........................................................................................................................... - 1 -1 等式约束凸二次规划的解法............................................................................... - 3 -1.1 问题描述.................................................................................................... - 3 -1.2 拉格朗日方法求解等式约束二次规划问题............................................ - 3 -1.2.1 拉格朗日方法的推导...................................................................... - 3 -1.2.2 拉格朗日方法的应用...................................................................... - 4 -2 一般凸二次规划问题的解法............................................................................... - 5 -2.1 问题描述.................................................................................................... - 5 -2.2 有效集法求解一般凸二次规划问题........................................................ - 6 -2.2.1 有效集方法的理论推导.................................................................. - 6 -2.2.2 有效集方法的算法步骤.................................................................. - 9 -2.2.3 有效集方法的应用........................................................................ - 10 -3 总结与体会......................................................................................................... - 11 -4 附录..................................................................................................................... - 11 -4.1 拉格朗日方法的matlab程序................................................................. - 11 -4.2 有效集方法的Matlab程序 .................................................................... - 11 -求解二次规划问题的拉格朗日及有效集方法- 3 -1 等式约束凸二次规划的解法1.1 问题描述我们考虑如下的二次规划问题⎪⎩⎪⎨⎧=+b Ax t s x c Hx x T T ..,21min (1.1) 其中n n R H ⨯∈对称正定,n m R A ⨯∈行满秩,n R x c,∈,m R b ∈。
大规模二次规划相关算法的研究

致 谢两年半的时间对于整个人生而言,也许是短暂而微不足道的。
但即将过去的这个两年半对我而言,却是人生一个重要的里程碑,深刻而难忘。
而在成长的过程中,众多的良师益友给予我生活上的关怀和照顾,科研上的指导和帮助以及思想上的鞭策和鼓励,都将使我终身难忘。
首先要感谢我的导师。
在辽宁工程技术大学攻读硕士研究生的过程中,我有幸得到了导师的指导。
导师渊博的学识、敏捷的思维、严谨的治学态度和平易近人的长者风度,都给我留下了深刻的印象,也为我树立了终身学习的榜样。
在此向导师表示深深的感激和敬意之情。
其次要感谢多年来养育、关心我的父母,对我求学生涯的关心与支持,没有他们的培养和教导,我不会有今天的成绩。
再次要感谢应用数学研究所的全体老师和同学,我的师兄、师弟、师妹们,谢谢你们给我帮助、陪我度过研究生生涯。
最后,向在百忙中抽出时间参加本次论文评阅和答辩的诸位老师表示衷心的谢意!摘 要在实际的生产和生活中,很多问题都是大规模最优化问题,因此研究大规模最优化问题具有十分重要的意义,尤其是最优化中的大规模二次规划问题。
虽然很多学者做了很多的研究工作,但是由于计算机存储空间的局限性,这方面还存在很多的困难。
所以人们迫切希望找到一种有效的算法来求解大规模二次规划问题。
本文首先介绍了大规模非线性规划的研究现状及发展趋势,二次规划的研究现状以及发展趋势,研究的背景、目的和意义。
简单介绍了二次规划的基础理论,介绍了二次规划的模型,二次规划的最优性条件以及二次规划可分解的条件,概括了本文的主要工作。
然后,介绍了一些大规模二次规划问题的求解方法。
例如,大规模界约束极小化问题的有效集阶段牛顿法;大规模二次规划的矩阵分解算法;大规模严格凸二次规划问题算法;大规模简单界约束的凸二次规划的算法。
接下来,本文提出了一种求解大规模问题的主矩阵分裂算法。
这种算法将一个大规模二次规划分解成一系列容易求解的小规模的二次规划子问题进行求解,算法可以极大的简化,并对算法进行了收敛性分析,产生的点列收敛到问题的稳定点。
最优化二次规划

关于(1问 .4 1)的 题 KK 系 T统解,的 有存 下在 面 :性 的
定理11.1.1设矩阵A行满秩,若二阶充分条件成 ,则立 线性方程(组 .)的系数矩阵
QA
AT
非奇异,因此线性方程(组.)有惟一解 .
证明:为证明系 非数 奇,矩 异 只阵 需证明齐次线 组性
QA
AT
dv
仅有零. 解
如果 iAk,aiTxk1bi,则 Ak1Ak {i}
为计算可 dk,我 行们 方修 向 (1改 .11如 0 问 ) 下 题
令 d x-x k,即 x x k d代入 (1.1 1问 得 0)题 到 ,
minf(x)1 2dTQ df(xk)Td s.t.aiTd0,iAk
(11.11)
设 (1.11)1的解 dk,容 为易,x看 k是出 问 (1.11 题 )0的解等 于 dk 0是问 (1.1 题 1)1的.解 因此1定 1.等 2理 .1价于下 面的定理:
由于 x*是 KK点 T,故存在 *,乘 使子 得
Q*xqAT*
所以 f(x ) f(x * )* T A d
因此, x*是全局最优.解
注 意D : ,当 但 二 阶 条 件 ZTQ 不 不 Z成 正立 ,定 则或 时
问(题 .)无解或有 . 无界解 (1) 若ZTQZ不定 ,即有负特,存 征在 u值 0,使得
唯一解.
利用H 投 es影 矩 sia,阵 定 n 1理 .1 1.1可以等价 : 描述
定1理 .1.2设矩 A行 阵满 ,若 秩 二次规 (1.1 4划 )的问 投 影 Hes矩 siaZ 阵 T nQ正 Z ,定 则线性(1方 .1 5)有 程惟 组.一
众所,周 由知 于二次规数 划是 的线 约 ,故 性 束 AC的 函 Q 成,立 从而二次规必 划定 的 K是 最 K点 T.优 反解 ,之 在 一定条 , K 件 K点 下 T也必定是: 其最优解
二次规划问题的既约积极集方法

二次规划问题的既约积极集方法林述敏【摘要】讨论了一种新的求解二次规划问题的方法,即既约积极集方法.其主要思想是先用消元法消去二次规划问题中的等式约束,使其等价地化为只含不等式约束的二次规划问题,然后再用积极集方法求解.通过数值实例证明了该方法的有效性.【期刊名称】《滨州学院学报》【年(卷),期】2016(032)002【总页数】6页(P48-53)【关键词】凸二次规划;既约积极集方法;消元;不等式约束;非线性规划;算法【作者】林述敏【作者单位】曲阜师范大学管理学院,山东日照276800【正文语种】中文【中图分类】O221.2二次规划是非线性约束优化问题中最简单,也是最早被人们研究的一类问题。
目前已建立起该问题最优解的存在性条件和有效的求解算法[1]。
在众多的求解算法[1-8]中,积极集方法和内点算法是比较有效的两类算法。
现在主要考虑凸二次规划问题的积极集方法。
众所周知,有效集方法求解的缺点是在求解过程中变量比较多,从而导致计算量较大,数值效果较差。
为了克服这些缺点,现在给出一种既约积极集方法,即先用消元法把约束中的等式约束去掉,然后用积极集方法进行求解。
这样做可以使约束中的变量个数减少,从而大大减少计算量。
二次规划是最简单的非线性规划问题,形如:传统的积极集方法[1]是给出主要思想和简单迭代过程,然后给出优缺点。
为克服其求解过程中变量较多的缺点,现对上述问题进行如下转换。
任取x=bi,i∈ε的一个特解x0,则Ω=x0+N(A)。
令y=x-x0,这样,凸二次规划问题(1)等价地转化为令。
记Z为由A的零空间中的一组基组成的矩阵。
则Ay=0等价于存在z∈Rn-m 使y=Zz。
于是,优化问题(2)转化为如下二次规划问题:其中。
令,则(3)可变为其中。
为求解(4)式,首先给出求解方程组的一个特解x0的计算方法。
因为),i∈ε。
不妨取Y∈Rn×m满足AY=I,则x0=Yb就是方程组Ax=b的一个特解。
第16讲 二次规划

其中 xB ∈ R m , xN ∈ R n−m .
AB 可逆, 对应 A 的分解为 A = 使得 AB 可逆,则等式约束可写 AN
成:
T T AB xB + AN xN = b ,
(3)
− 的存在, 由于 AB1的存在,故知 − T xB = AB 1 (b − AN xN ) .
模型的建立
设投资的期限是一年,可供选择的金融资产数为 。设此n中 设投资的期限是一年,可供选择的金融资产数为n。设此 中 金融资产的年收益为随机变量ξ = (ξ1 , ξ 2 ,⋯ , ξ n ) ' 。由于我们 金融资产的年收益为随机变量 主要关心投资的分配比例,不妨设投资总数为1个单位,用 个单位, 主要关心投资的分配比例,不妨设投资总数为 个单位 于第j中投资的资金比例为 于第 中投资的资金比例为 w j ( j = 1, 2, ⋯ , n ) , 令
w= (w , w2,⋯, wn)' 1
称为投资组合向量,显然应有: 称为投资组合向量,显然应有:
n
∑
w
j = 1
j
= 1
也是一个随机变量, 投资一年的收益 w ' ξ 也是一个随机变量,期望收益为
E(w'ξ ) = E(ξ1)w1 + E(ξ2 )w2 +,⋯, +E(ξn )wn
马库维茨建议用随机变量 风险的度量, 风险的度量,即
ˆ ˆ ˆ 正定,则由(5) (5)式 可得唯一解: ∗ 如果 G 正定,则由(5)式,可得唯一解: xN = −G −1 g N .
代入(4)式可得对应的 ∗ 代入(4)式可得对应的 xB . (4)
从而问题的最有解: 从而问题的最有解:
第三章 (4)二次逼近法

min Q(x) 1 xTGx gT x
2
事先未知!
s.t. aiT x bi ,i A*
Gx* g i*ai i*ai 0
iE
iI
存在!
aiT x* bi 0,i E
Gx* g i*ai 0 iA*
aiiT*
等式约束二次规划问题求解 变量消去法 零空间法 Lagrange法 起作用集法
二、等式约束二次规划问题
等式约束二次规划问题求解-----变量消去法
思想:将设计变量分解成基本变量与非基本变量,
通过等式约束将基本变量用非基本变量线性表出,
将基本变量代入目标函数,问题转化为关于非基本
三、起作用集法
起作用集法的终止条件
定理 设 xk 是二次规划问题的一个可行点,集合 Ak A xk
,若等式约束二次规划问题
min f x 1 xTGx gT x
xRn
2
s.t. aiT x bi ,i Ak .
的解为 xk ,且相应的拉格朗日乘子 ik 满足
Gˆ N1hˆN
对应的Lagrange乘子
GBB GNB
GBN GNN
xB* x*N
hB hN
AB AN
*
*
AB1 ( hB
GBB xB*
GBN
x
* N
)
方法缺点:AB 接近奇异矩阵,数值过程不稳定!
设A列满秩,简约Hesse矩阵 Z TGZ R(nm)(nm) 正定,
二次规划

2013-2014(1)专业课程实践论文题目:二次规划一、算法理论二次规划是非线性优化中的一种特殊情形,它的目标函数是二次实函数,约束函数都是线性函数。
由于二次规划比较简单,便于求解(仅次于线性规划), 并且一些非线性优化问题可以转化为求解一系列的二次规划问题,因此二次规划的求解方法较早引起人们的重视,成为求解非线性优化的一个重要途径。
二次规划的算法较多,本论文仅介绍求解一般约束凸二次规划的有效集方法。
考虑一般二次规划 1min 2.. 0,{1,,} 0,{1,,}T T T i i Ti i x Hx c x s t a x b i E l a x b i I l m ⎧+⎪⎪⎪-=∈=⎨⎪-≥∈=+⎪⎪⎩有效集方法的最大难点是事先一般不知道有效集()*x S ,因此只有想办法构造一个集合序列去逼近它。
即从初始点0x 出发,计算有效集()0x S ,解对应的等式约束子问题。
重复这一做法,得到有效集序列(){}k x S , ,1,0=k ,使之()()*x S x S k →,以获得原问题的最优解。
我们分六步来介绍有效集方法的算法原理和实施步骤。
第一步 选定初始值。
给定初始可行点n R x ∈0,令0=k 。
第二步 求解子问题。
确定相应的有效集()k k x I E S =,求解子问()1min 2..0,T Tk k T i kq d d Hd g d s t a d i S ⎧=+⎪⎨⎪=∈⎩ 得到极小点k d 和拉格朗日乘子向量k λ。
若0≠k d 转入步三;否则转步二。
第三步检验终止准则。
计算拉格朗日乘子k k k g B =λ 其中()()k i k k kk k k k S i a A H A AT H A B c Hx g ∈==+=---,,,111,令()(){}i k t k λλmin =。
若()0≥t k λ,则k x 是全局极小点,停算。
否则若()0<t k λ,则令{}t S S k k \=,转步一。
二次规划

二次规划是特殊的非线性规划,它形式简单,既可以 使用求解非线性规划的一般方法求解,又有特定的解法; 此外,二次规划在实际中有着广泛的应用,例如著名的支 持向量机,在本质上就是一个二次规划问题.本节着重介 绍凸二次规划问题的一些性质和求解方法.
9.6.1 二次规划的基本概念与基本性质
* T i i *
m l
很 明 显 A ( x x ) =0 , 而
i 1 * i T i *
m
i m 1
A
* i
m l
T i
( x x* ) 可 以 写 成 两 部 分 之 和 ,分 别 是
根 据 x* 处 起 作 用 约 束 和 不 起 作 用 不 等 式 约 束 下 标 分 别 求 和 , 由 ( 9-56 ) 和 x H 可以推出
T 1 T ( AB ) AN F , I
(9-71)
并 且 秩 ( F)= n -m , 因 此
T 1 T G G ( A BB BN T 1 B ) AN (9-72) G N F GF ( AN AB , I ) G I NB G NN 由于 F 是列满秩的,并且 G 正定,因此 G N 也是正定的,对称性显然. 定 理 9-5 表 明 对 于 等 式 约 束 的 严 格 凸 二 次 规 划 问 题 ,可 以 用 直 接 消
9.6.2 等式约束二次规划问题
本小节讨论等式约束二次规划问题
min
f ( x)
1 T x Gx r T x, 2
(9-58)
s.t. AT x b,
其 中 ,G 为 n n 阶 对 称 矩 阵 , r 为 n 维 列 向 量 , A 为 n m 阶 矩 阵 , n m 且 秩 ( A )= m , 即 矩 阵 A 是 列 满 秩 的 .
一种新的二次约束二次规划问题的分支定界算法

应用数学MATHEMATICA APPLICATA 2021,34(1):240-252一种新的二次约束二次规划问题的分支定界算法黄小利1,2,高岳林1,2,谢金宵1,2,谷剑峰1,2(1.北方民族大学数学与信息科学学院,宁夏银川750021;2.宁夏科学计算与智能信息处理协同创新中心,宁夏银川750021)摘要:本文为了获得二次约束二次规划(QCQP)问题的全局最优解,提出一种新的参数化线性松弛分支定界算法.该算法利用参数化线性松弛技术,得到(QCQP)的全局最小值的下界,并利用区域缩减技术以最大限度地删除不可行区域,加快该算法的收敛速度.数值实验表明,本文提出的算法是有效并且可行的.关键词:二次约束二次规划;全局优化;分支定界;参数化线性松弛;区域缩减中图分类号:O221.2AMS(2000)主题分类:90C20;90C30;90C57文献标识码:A 文章编号:1001-9847(2021)01-0240-131.引言本文主要考虑以下形式的二次约束二次规划问题:(QCQP):min f 0(x )=n ∑j =1n ∑q =1a 0jq x j x q +n ∑j =1a 0j x j +ε0,s.t.f i (x )=n ∑j =1n ∑q =1a ijq x j x q +n ∑j =1a i j x j +εi ≤0,i =1,...,M x ∈X 0={x ∈R n |Ax ≤b,l 0≤x ≤u 0},这里f i (x ),i =0,1,...,M 是非凸二次函数.(a i jq )n ×n 是n ×n 阶实对称矩阵,a ij ,εi ∈R ,i =0,1,...,M,j =1,...,n,q =1,...,n,A ∈R m ×n ,b ∈R m ,l 0=(l 01,...,l 0n )T ,u 0=(u 01,...,u 0n )T ,X 0为非空有界闭集,记H=[l 0,u 0],H 0是超矩形.非凸二次约束二次规划(QCQP)问题在实际生活中应用范围广泛[1−4],并且通常是全局优化问题,但在解决过程中往往存在许多局部最优解而不是全局最优解,且(QCQP)问题是一个NP-hard 问题[5],这就使得在理论和计算方面存在巨大的挑战.因此,寻找一种有效的算法全局求解(QCQP)问题是十分有必要的.从(QCQP)问题的研究历程来看,已经有许多算法都适用于求解全局(QCQP)问题,现如今分支定界算法已成为求解该问题最常用的工具之一.根据分支定界算法的框架,基于对(QCQP)问题的松弛,在分支定界树的每个节点求解松弛子问题的下界,得到一个高质量的下界对原问题起着至关重要的作用.目前的(QCQP)松弛方法建立在多种松弛技术上,包括∗收稿日期:2020-07-08基金项目:国家自然科学基金项目(11161001;61561001);宁夏高等教育一流学科建设基金(NXYLXK 2017B09);北方民族大学研究生创新项目(YCX20103);北方民族大学重大专项(ZDZX201901)作者简介:黄小利,女,汉族,陕西人,研究方向:最优化理论与方法.通讯作者:高岳林.第1期黄小利等:一种新的二次约束二次规划问题的分支定界算法241基于凹凸包络的线性规划松弛[6−7],拉格朗日对偶松弛[6,8],基于二阶锥规划(SOCP)的松弛[9],基于半定规划(SDP)的松弛[10].在求解盒约束非凸二次规划时,文[11]在有限分支中使用半定规划松弛技术.在求解带线性约束的非凸二次规划问题(LCQP)时,文[12]基于一阶KKT条件的有限分支和多面体半定松弛求解(LCQP).在求解带球和线性约束的非凸二次规划问题时,文[13]利用了半定规划松弛逼近非凸二次规划问题.在求解带一个非凸二次约束的二次规划问题时,文[14]将问题转化为一个无非凸约束的参数二次规划问题,通过迭代求解并在每次迭代中更新参数.在求解带多个二次约束的非凸二次规划问题时,文[15]给出了非凸二次约束二次规划(QCQP)问题的新的凸松弛方法,将每个非凸约束分解,并松弛为两个二阶锥约束,将这些非凸约束与线性约束的乘积线性化,以构造一些新的有效约束;文[16]基于特征值分解的分支定界算法来求解(QCQP)问题,在特征值分解中,非凸分量由负特征值和相应的特征向量表示,提出了一种基于半定松弛的分支定界算法来求解(QCQP);文[17]用一种线性化方法将初始非凸规划问题化为一系列线性松弛规划问题;文[8]将(QCQP)问题转化为拉格朗日对偶优化问题,并在更新拉格朗日乘子的同时连续求解子问题;文[18-20]提出了一种参数线性化方法来生成(QCQP)的参数线性松弛规划,通过对可行域和目标函数的线性松弛,将初始非凸问题化为一系列线性规划问题;文[21]利用重构线性化技术在分支树内通过连续线性化来估计所有二次项;文[22]基于二次约束线性规划的半定松弛,引入了一种特殊的惩罚方法,得到了所谓的条件拟凸松弛,证明了条件拟凸松弛比标准半定松弛能提供更紧的界.非凸(QCQP)问题的困难源于二次项的非凸分量,松弛过程中只需对目标和约束函数中的二次项的非凸分量部分进行操作.本文给出了求解非凸二次约束二次规划(QCQP)问题的全局优化算法.该算法结合分支定界操作和区域缩减技术,通过对非凸二次项进行新的参数化线性松弛,使用线性松弛技术将非凸(QCQP)问题转化为线性松弛规划问题,提出的线性化技术在不增加新的变量和约束的情况下,将线性松弛规划问题嵌入到分支定界操作中.为了加快算法的收敛速度,在分支和定界过程中采用了区域缩减技术,为当前不存在全局最优解的区域提供了理论可能性,可以显著减少松弛间隙.最后,数值实验结果表明,该方法能较好地解决所有存在于全局最优解中的(QCQP)问题.本文的组成结构如下:第一部分提出了二次约束二次规划问题,并且概述了在不同的约束条件下求解二次规划问题的相关算法.第二部分提出了新的参数化线性松弛技术从而得到含参数的线性松弛规划问题.第三部分为了加快算法收敛速度从而提出区域缩减技术.第四部分将第二部分得到的参数化线性松弛规划,以及第三部分的区域缩减技术嵌套在分支定界框架内,得到参数化线性松弛分支定界算法以求解非凸二次约束二次规划(QCQP).第五部分通过实例证明算法的有效性和可行性.第六部分得出相关结论.2.新的参数化线性松弛技术为了求解原问题(QCQP),本文采用一种新的参数化线性松弛技术得到原问题和其子问题的下界函数.令H={x=(x1,x2,...,x n)T∈R n,l≤x≤u}⊆H0,其中l=(l1,...,l n)T,u= (u1,...,u n)T.与文[18]类似,我们定义ρ=(ρjq)n×n是一个对称参数矩阵且ρjq∈{0,1}.对于任何的x∈H,且j∈{1,2,...,n},q∈{1,2,...,n},j=q,ρjq∈{0,1}给出以下定义:x j(ρjq)=l j+ρjq(u j−l j);x j(1−ρjq)=l j+(1−ρjq)(u j−l j);x q(ρjq)=l q+ρjq(u q−l q);x q(1−ρjq)=l q+(1−ρjq)(u q−l q).对于非凸二次函数的非线性项,接下来我们提出新的线性松弛技术,定义如下:ϕ(x j,x q)=x j x q;ϕ(x j,x q)=14{[x j(ρjq)+3x q(ρjq)+x q(1−ρjq)−x j(1−ρjq)]x j242应用数学2021+[3x j(ρjq)+x q(ρjq)−x q(1−ρjq)+x j(1−ρjq)]x q−[x j(ρjq)+x q(ρjq)]2+[x j(ρjq)−x q(1−ρjq)][x j(1−ρjq)−x q(ρjq)]};ϕ(x j,x q)=14{[3x q(1−ρjq)−x j(ρjq)+x q(ρjq)+x j(1−ρjq)]x j+[3x j(ρjq)−x q(1−ρjq)+x q(ρjq)+x j(1−ρjq)]x q−[x j(ρjq) +x q(ρjq)][x j(1−ρjq)+x q(1−ρjq)]+[x j(ρjq)−x q(1−ρjq]2};ϑ(x j,x q)=ϕ(x j,x q)−ϕ(x j,x q), ϑ(x j,x q)=ϕ(x j,x q)−ϕ(x j,x q).对于任何的x∈H,且j∈{1,2,...,n},q∈{1,2,...,n},j=q,ρjj∈{0,1},ϕ(x j)=x2j,ϕ(x j)=2x j(ρjj)x j−x2j(ρjj);ϕ(x j)=(x j(ρjj)+x j(1−ρjj))x j−x j(ρjj)x j(1−ρjj);ϑ(x j)=ϕ(x j)−ϕ(x j); ϑ(x j)=ϕ(x j)−ϕ(x j);显然,x j(0)=l j,x j(1)=u j,x q(0)=l q,x q(1)=u q.定理1对于任意的x∈H⊆H0,有(a)对任意x j∈[l j,u j],j∈{1,2,...,n},有ϕ(x j)≤ϕ(x j)≤ϕ(x j);(b)对任意j∈{1,2,...,n},q∈{1,2,...,n},j=q,有ϕ(x j,x q)≤ϕ(x j,x q)≤ϕ(x j,x q);(c)当∥l−u∥→0时,得到ϑ(x j), ϑ(x j),ϑ(x j,x q), ϑ(x j,x q)→0.证(a)在每一个区间[l j,u j],j∈{1,2,...,n}对单变量函数ϕ(x j)=x2j进行线性缩放可得ϕ(x j)的上下界逼近函数,进而ϕ(x j)−ϕ(x j)=x2j−(2x j(ρjj)x j−x2j(ρjj))=(x j−x j(ρjj))2≥0,ϕ(x j)−ϕ(x j)=[x j(ρjj)+x j(1−ρjj)]x j−x j(ρjj)x j(1−ρjj)−x2j≥0.故ϕ(x j)≤ϕ(x j)≤ϕ(x j);(b)把(x j+x q)和(x j−x q)分别看成一个单变量,则(x j+x q)2和(x j−x q)2分别是在区间[l j+l q,u j+u q]和[l j−u q,u j−l q]上关于(x j+x q)以及(x j−x q)的凸函数,则由(a)(x j+x q)2≥2[x j(ρjq)+x q(ρjq)](x j+x q)−[x j(ρjq)+x q(ρjq)]2;(2.1)(x j+x q)2≤[x j(ρjq)+x q(ρjq)+x j(1−ρjq)+x q(1−ρjq)](x j+x q)−[x j(ρjq)+x q(ρjq)][x j(1−ρjq)+x q(1−ρjq)];(2.2) (x j−x q)2≥2[x j(ρjq)−x q(1−ρjq)](x j−x q)−[x j(ρjq)−x q(1−ρjq)]2;(2.3)(x j−x q)2≤[x j(ρjq)−x q(1−ρjq)+x j(1−ρjq)−x q(ρjq)](x j−x q)−[x j(ρjq)−x q(1−ρjq)][x j(1−ρjq)−x q(ρjq)].(2.4)结合式(2.1)-(2.4),ϕ(x j,x q)=14[(x j+x q)2−(x j−x q)2]≥14{2[x j(ρjq)+x q(ρjq)](x j+x q)−[x j(ρjq)+x q(ρjq)]2−[x j(ρjq)−x q(1−ρjq) +x j(1−ρjq)−x q(ρjq)](x j−x q)+[x j(ρjq)−x q(1−ρjq)][x j(1−ρjq)−x q(ρjq)]}=14{[x j(ρjq)+3x q(ρjq)+x q(1−ρjq)−x j(1−ρjq)]x j+[3x j(ρjq)+x q(ρjq)−x q(1−ρjq)+x j(1−ρjq)]x q−[x j(ρjq)+x q(ρjq)]2+[x j(ρjq)−x q(1−ρjq)][x j(1−ρjq)−x q(ρjq)]}第1期黄小利等:一种新的二次约束二次规划问题的分支定界算法243 =ϕ(x j,x q);ϕ(x j,x q)=14[(x j+x q)2−(x j−x q)2]≤14{[x j(ρjq)+x q(ρjq)+x j(1−ρjq)+x q(1−ρjq)](x j+x q)−[x j(ρjq)+x q(ρjq)][x j(1−ρjq)+x q(1−ρjq)]−2[x j(ρjq)−x q(1−ρjq)](x j−x q)+[x j(ρjq)−x q(1−ρjq)]2}=14{[3x q(1−ρjq)−x j(ρjq)+x q(ρjq)+x j(1−ρjq)]x j+[3x j(ρjq)−x q(1−ρjq)+x q(ρjq)+x j(1−ρjq)]x q−[x j(ρjq)+x q(ρjq)][x j(1−ρjq)+x q(1−ρjq)]+[x j(ρjq)−x q(1−ρjq]2}=ϕ(x j,x q).因此ϕ(x j,x q)≤ϕ(x j,x q)≤ϕ(x j,x q).(c)由于ϑ(x j)=ϕ(x j)−ϕ(x j)=[x j−x j(ρjj)]2是在区间[l j,u j]上的凸函数,所以ϑ(x j)在l j或者u j可以取得最大值.即max x j∈[l j,u j]ϑ(x j)=0;maxx j∈[l j,u j]ϑ(x j)=(l j−u j)2.(2.5)由 ϑ(x j)=ϕ(x j)−ϕ(x j)=[x j(ρjj)+x j(1−ρjj)]x j−x j(ρjj)x j(1−ρjj)−x2j可得, ϑ(x j)在l i+u j2取得最大值,即max x j∈[l j,u j] ϑ(xj)=(l j−u j)24.(2.6)由(2.5)和(2.6)式可知,当|l j−u j|→0时,maxx j∈[l j,u j]ϑ(x j)→0;(2.7)max x j∈[l j,u j] ϑ(xj)→0.(2.8)令ϑ(x j+x q)=ϕ(x j+x q)−ϕ(x j+x q), ϑ(x j+x q)=ϕ(x j+x q)−ϕ(x j+x q),ϑ(x j−x q)=ϕ(x j−x q)−ϕ(x j−x q), ϑ(x j−x q)=ϕ(x j−x q)−ϕ(x j−x q),使用同样的方法,当∥l−u∥→0时,max(x j+x q)∈[l j+l q,u j+u q]ϑ(x j+x q)→0;(2.9)max(x j+x q)∈[l j+l q,u j+u q] ϑ(xj+x q)→0;(2.10)max(x j−x q)∈[l j−u q,u j−l q]ϑ(x j−x q)→0;(2.11)max(x j−x q)∈[l j−u q,u j−l q] ϑ(xj−x q)→0.(2.12)因为ϑ(x j,x q)=ϕ(x j,x q)−ϕ(x j,x q)=14[(x j+x q)2−(x j−x q)2]−14{2[x j(ρjq)+x q(ρjq)](x j+x q)−[x j(ρjq)+x q(ρjq)]2−[x j(ρjq)−x q(1−ρjq)+x j(1−ρjq)−x q(ρjq)](x j−x q)−[x j(ρjq)−x q(1−ρjq)][x j(1−ρjq)−x q(ρjq)]}=14{(x j+x q)2−2[x j(ρjq)+x q(ρjq)](x j+x q)+[x j(ρjq)+x q(ρjq)]2}244应用数学2021+14{[x j (ρjq )−x q (1−ρjq )+x j (1−ρjq )−x q (ρjq )](x j −x q )−[x j (ρjq )−x q (1−ρjq )][x j (1−ρjq )−x q (ρjq )]−(x j +x q )2}≤14max (x j +x q )∈[l j +l q ,u j +u q ]ϑ(x j +x q )+14max (x j −x q )∈[l j −u q ,u j −l q ]ϑ(x j −x q ).根据(2.9)及(2.12)式得,当∥l −u ∥→0时,有ϑ(x j ,x q )→0.和以上证明方法类似,当∥l −u ∥→0时,我们可以得到 ϑ(x j ,x q )→0.证毕.对于任意x j ∈[l j ,u j ],j ∈{1,...,n },我们得到f l i (x ),i =0,1,...,M.即f i (x )=n ∑j =1n ∑q =1,j =qa i jq x j x q +n ∑j =1a i jj x 2j +n ∑j =1a i j x j +εi=n ∑j =1,a i jq >0n ∑q =1,j =q a i jq x j x q+n ∑j =1,a i jq <0n ∑q =1,j =q a i jq x j x q+n ∑j =1,a i jj >0a i jj x 2j +n ∑j =1,a i jj <0a i jj x 2j +n ∑j =1a i j x j +εi≥n ∑j =1,a i jq >0n ∑q =1,j =q a i jq ϕ(x j ,x q )+n ∑j =1,a i jq <0n ∑q =1,j =q a i jq ϕ(x j ,x q )n ∑j =1,a i jj >0a i jj ϕ(x j )+n ∑j =1,a i jj <0a i jj ϕ(x j )+n ∑j =1a i j x j +εi=f l i (x ).(2.13)通过以上讨论,我们得到原问题(QCQP)在子矩形H 上的线性松弛规划问题如下:(LRP):min f l 0(x ),s.t.f l i (x )≤0,i =1,...,M,x ∈X ={x ∈R n |Ax ≤b,l ≤x ≤u }.定理2对于任意的x ∈H =[l,u ]⊂H 0,有(a)f i (x )≥f l i (x ),i =0,1,...,M ;(b)当∥l −u ∥→0时,f i (x )−f l i (x )→0,i =0,1,...,M.证(a)由(2.13)式我们很容易得到f i (x )≥f l i (x ),i =0,1,...,M ;(b)由f l i (x )的定义和结论(a),对每一个i =0,1,...,M,我们有f i (x )−f li (x )=n ∑j =1n ∑q =1,j =qa i jq x j x q +n ∑j =1a i jj x 2j +n ∑j =1a i j x j +εi−[n ∑j =1a i j x j+n ∑j =1,a i jj >0a i jj ϕ(x j )+n ∑j =1,a i jj <0a i jj ϕ(x j )+n ∑j =1,a i jq >0n ∑q =1,j =q a i jq ϕ(x j ,x q )+n ∑j =1,a i jq <0n ∑q =1,j =q a i jq ϕ(x j ,x q )+εi ]=n ∑j =1,a i jj >0a i jj (x 2j −ϕ(x j ))−n ∑j =1,a i jj <0a i jj (ϕ(x j )−x 2j )第1期黄小利等:一种新的二次约束二次规划问题的分支定界算法245+n∑j=1,a ijq>0n∑q=1,j=qa ijq(x j x q−ϕ(x j,x q))−n∑j=1,a ijq<0n∑q=1,j=qa ijq(ϕ(x j,x q)−x j x q).由定理1的(c)知,当∥l−u∥→0时,ϑ(x j), ϑ(x j),ϑ(x j,x q), ϑ(x j,x q)→0.因此对于每一个i=0,1,...,M,当∥l−u∥→0时,有f i(x)−f li(x)→0,i=0,1,...,M.证明完毕.由定理2可以知道,对每一个子矩形H来讲,线性松弛规划问题(LRP)的目标函数和约束条件函数是小于等于原问题(QCQP)的目标函数和约束条件函数的,也就是说定理2保证了问题(LRP)的最优值为原问题(QCQP)能够提供可靠的下界,当∥l−u∥→0时,线性松弛规划问题(LRP)限逼近原问题(QCQP),这说明了算法是全局收敛的.3.缩减技术为了加快算法的收敛速度和计算速度,在这一部分,基于文[17-18],提出适用于本算法的区域缩减技术.当算法迭代到第k步时我们需要判断在矩形区域H上原问题(QCQP)是否存在全局最优解.此处缩减技术的前提是未删掉在矩形区域H上原问题(QCQP)的全局最优解,进而对区域进行缩减,具体见定理3和定理4.不失一般性,假设线性松弛规划问题LRP中的每一个线性函数φi(x),i=0,1,...,M,M+ 1,...,M+m,可以表示为φi(x)=n∑j=1αij x j+ξi,i=0,1,...,M,M+1,...,M+m.设UB k是算法迭代到第k步原问题(QCQP)当前已知的最好上界,并令µk s =UB k−(n∑j=1,j=smin{αk0jx j+ξk}),s=1,...,n,δk is =b ki−(n∑j=1,j=smin{αkijl kj,αkiju kj}+ξk i),i=1,...,M,M+1,...,M+m,s=1,...,n.定理3对于任何的子矩形H k⊆H⊆H0且H k=[l k,u k].如果存在s∈{1,2,...,n}使得µs<min{αk0s l ks,αk0su ks},则在子矩形H k上原问题(QCQP)没有全局最优解;否则,如果存在s∈{1,2,...,n}使得当αk0s >0且µks<αk0su ks,则原问题(QCQP)在子矩形H k1=(H k1j)n×1上没有全局最优解;当αk0s <0且µks<αk0sl ks,则原问题(QCQP)在子矩形H k2=(H k2j)n×1上没有全局最优解.其中,H k1j =H kj,j=s,j=1,...,n,(µksαk0s,u ks]∩H ks,j=s;H k2j=H kj,j=s,j=1,...,n,[l ks,µksαk0s)∩H ks,j=s.证如果存在s∈{1,2,...,n}使得µks <min{αk0sl ks,αk0su ks},则UB k−n∑j=1,j=nmin{αk0jx j+ξk}<min{αk0s l k s,αk0s u k s},即UB k<n∑j=1,j=nmin{αk0jx j+ξk}+min{αk0s l k s,αk0s u k s}≤n∑j=1αk0jx j+ξk=φk(x).246应用数学2021因此,原问题(QCQP)在H k上没有全局最优解.接下来记x的第s个分量为x s,因为x s∈(µk sαk0s ,u ks],所以有µk sαk0s <x ks≤u k s.当αk0s>0时,µk s<αk0s x k s,对于一切的x∈H k1,由µk s的定义和上面的不等式,有UB k−n∑j=1,j=smin{αk0jx j+ξk}<αk0s x k s,也就是UB k<n∑j=1,j=smin{αk0jx j+ξk}+αk0s x k s≤n∑j=1αk0jx j+ξk=φk(x).因此,对于任意x∈H k1,线性松弛函数φ0(x)要大于原问题(QCQP)的上界UB k,所以在H k1上不存在原问题(QCQP)的全局最优解.类似地,对于所有的x∈H k2,存在s∈{1,2,...,n}使得αk0s <0且µks<αk0sl ks时,在H k2这个子矩形上也不存在原问题(QCQP)的全局最优解.证毕.定理4对于任何的子矩形H k⊆H0且H k=[l k,u k].如果δk is<min{αk is l k s,αk is u k s},i= 1,...,M,M+1,...,M+m,则原问题在H k上没有全局最优解.否则,若存在s∈{1,2,...,n}使得αkis >0且δkis<αkisu ks,i=1,...,M,M+1,...,M+m,则原问题在子矩形H k3上没有全局最优解;若存在s∈{1,2,...,n}使得αkis <0且δkis<αkisl ks,则原问题在子矩形H k4上没有全局最优解.其中,H k3j =H kjj=s,j=1,...,n,(δkisαkis,u ks]∩H ksj=s;H k4j=H kjj=s,j=1,...,n,[l ks,δkisαkis]∩H ksj=s;证使用与证明定理3类似的方法,我们可以得到此定理成立.由定理3和定理4,采用缩减技术删掉不含有原问题(QCQP)全局最优解的区域.令H= (H j)n×1是H0任一子矩形,其中H j=[l j,u j].得到缩减规则如下:1)如果µs<min{αk0s l ks,αk0su ks},则H=∅;否则,如果αk0s>0且µk s<αk0s u k s,则令u k j=min{µk sαk0s ,u kj};H=(H j)n×1,H j=[l j,u j](j=1,...,n);如果α0s<0且µk s<α0s l k s,则令l k j=max{l kj ,δk isαkis},H=(H j)n×1,H j=[l j,u j](j=1,...,n).2)对每一个i=1,...,M,M+1,...,M+m,如果δkis <min{αkisl ks,αkisu ks},则H=∅;否则,如果αkis >0且δkis<αkisu ks则令u kj=min{δk isαkis,u kj},H=(H j)n×1,H j=[l j,u j](j=1,...,n);如果αkis <0且δkis<αkisl ks,则令l kj=max{l kj,δk isαkis},H=(H j)n×1,H j=[l j,u j](j=1,...,n).4.分支定界算法及其收敛性分析为了得到原问题(QCQP)的全局最优解,提出了参数化线性松弛分支定界算法.在矩形H⊆H0被剖分后的子集上求解对应的线性松弛规划问题.分支过程中,需要依据一定的剖分规则将初始超矩形H0分成两个新的子矩形.本文所采用的是标准矩形二分方法.考虑任一通过H={x∈R n|l j≤x j≤u j,j=1,...,n}⊆H0所确定的子节点问题.分支规则如下所示:1)令p=arg max{u j−l j|j=1,...,n};2)令ωp=l j+u j2;3)设新的子矩形区域H1={x∈R n|l j≤x j≤u j,j=q,l q≤x q≤ωp};H2={x∈R n|l j≤x j≤u j,j=q,ωp≤x q≤u q}.第1期黄小利等:一种新的二次约束二次规划问题的分支定界算法247通过以上分支规则,将矩形区域H剖分成了两个子矩形H1和H2.为了方便起见,我们把缩减后产生新的矩形区域仍然记为H k,它是初始超矩形区域的子集.记LB k是线性松弛规划问题(LRP)在子矩形H k上的最优值,x k=x(H k)是相对应的最优解.结合前面所提到的线性松弛规划问题,区域缩减技术以及分支规则,为求解问题(QCQP)提出分支定界算法,步骤如下:步0(初始化)设置误差精度ϵ>0,初始迭代次数k=0,Q表示剪支后所有矩形的集合,初始的可行集为W=∅,初始上界UB0=+∞.在初始矩形H0上求解线性规划问题LRP(H0),如果不可行,则原问题(QCQP)无解;否则将求得的最优值和最优解分别记为LB0和x0.如果x0对(QCQP)可行,置可行集为W= W∪{x0},则初始上界UB0=f0(x0),Q=Q∪{H0},置k=1,转步1;步1(终止准则)如果UB k−LB k<ϵ,则迭代终止,x k是问题(QCQP)的ϵ-全局最优解.否则,转步2;步2(矩形区域的分支)在Q中选择出当前最小下界所对应的矩形H k,通过本文所提出的分支规则将矩形区域H k剖分为两个新的子矩形H k1和H k2,用H k表示新剖分的矩形集合;步3(矩形区域的缩减)对每一个子矩形H kt∈H k,t=0,1,2,利用本文所给出的区域缩减技术分别对子矩形进行缩减;步4(剪支规则)令Q=Q\{H k:LB k−UB k>ε,H k∈Q},转步5;步5(更新上界)如果W=∅,那么UB k保持不变;如果W=∅,则更新上界,UB k= min{f0(x):x∈W},当前最好的可行点为x∗:=arg min x∈W f0(x);步6(更新下界)如果Q=∅,那么LB k保持不变;如果Q=∅,那么LB k=min{LRP: H k∈Q},置k=k+1,返回步1继续执行.为了证明本文的分支定界算法是全局收敛的,故给出下面的定理5,以保证当∥l−u∥→0时线性松弛规划问题(LRP)地逼近于原问题(QCQP).定理5假设(QCQP)问题的可行域是非空的,且矩形的剖分是耗尽的,则以下两个结论成立:(a)如果算法迭代在有限步终止,则(QCQP)问题的全局最优解将在算法终止时得到;(b)如果算法迭代在有限步不能终止,并且产生无穷多个可行点的序列{x k},则{x k}的任何一个聚点x∗都是问题(QCQP)的全局最优解.证(a)如果算法迭代在有限步终止,那么我们假设算法是在第k次迭代终止,k≥0.根据算法的步1得到UB k−LB k≤ϵ,表示原问题(QCQP)存在可行解并设为x∗,使得UB k=f0(x∗),同时有f0(x∗)−LB k≤ϵ.(4.1)假设v是原问题(QCQP)的全局最优值,由下界的计算过程表明LB k≤v.(4.2)因为x∗是原问题(QCQP)的可行解,有f0(x∗)≥v.(4.3)联立式(4.1)-(4.3)得v≤f0(x∗)≤LB k+ϵ≤v+ϵ.(4.4)所以,x∗是问题(QCQP)的ϵ-全局最优解.(b)如果算法的迭代是无限的,则通过求解一系列问题(LRP)可产生原问题的可行解序列{x k}∈H0.根据分支定界算法的结构,随着可行域的不断剖分加细我们有(x k)≤f0(x∗)≤f(x k)=UB k,k=1,2,···.(4.5) LB k=f l248应用数学2021因为下界序列{LB k=f l(x k)}是单调不减且有上界,且上界序列{UB k=f0(x k)}是单调不增且有下界,故原问题的上下界都是收敛的.对式(4.5)两边取极限可得lim k→∞f l(x k)≤f0(x∗)≤limk→∞f0(x k).(4.6)于是,令LB=limk→∞f l(x k),UB=limk→∞f0(x k),那么式(4.6)将转化为LB≤f0(x∗)≤UB.(4.7)不失一般性,假设超矩形序列{H k=[l k,u k]}满足x k∈H k以及H k+1⊆H k.在算法进行迭代过程中,最终矩形的剖分是耗尽的,即∞∩k=1H k={x k},根据函数f0(x)的连续性,我们有LB≤f0(x∗)≤limk→∞f0(x k)=UB.(4.8)所以,序列{x k}的每一个聚点x∗都是问题(QCQP)的全局最优解.5.数值实验给出以下几个算例证明本文算法的有效性.本文算法中所有的线性规划问题均选用对偶单纯形法求解,算法所有测试过程均用MATLAB9.2.0.538062(R2017a)在Inter(R)Core (TM)i5-8250U,***********,8GB内存,64位Windows10操作系统的计算机上运行.算例1[17−18]:min−x21+x1x2+x22+x1−2x2 s.t.x1+x2≤6,−2x21+x22+2x1+x2≤−4,1≤x1,x2≤6.算例2[17−18]:min x21+x22s.t.0.3x1x2≥1,2≤x1≤5,1≤x2≤3.算例3[17−18]:{min6x21+4x22+5x1x2,s.t.−6x1x2≤−48,0≤x1,x2≤10算例4[17]:min x1x2−2x1+x2+1s.t.8x22−6x1−16x2≤−11,−x22+3x1+2x2≤7,1≤x1≤2.5,1≤x2≤2.225.算例5[17]:min x1s.t.14x1+12x2−116x21−116x22≤1, 114x21+114x22−37x1−37x2≤−1, 1≤x1≤5.5,1≤x2≤5.5第1期黄小利等:一种新的二次约束二次规划问题的分支定界算法249算例6[17]:min−4x2+(x1−1)2+x22−10x23s.t.x21+x22+x23≤2,(x1−2)2+x22+x23≤2,2−√2≤x1≤√2,0≤x2,x3≤√2.算例7[21]:min f0(x)=12⟨x,Q0x⟩+⟨d0x⟩s.t.f i(x)=12⟨x,Q i x⟩+⟨d i x⟩≤b i,i=1,2,...,m, 0≤x j≤10,j=1,2,...,n,其中Q0∈R n×n的每个元素在区间[0,1]随机产生,Q i∈R n×n(i=1,2,...,m)的每个元素在区间[-1,0]随机产生;d0∈R n的每个元素在区间[0,1]随机产生;d i∈R n(i=1,2,...,m)的每个元素在区间[-1,0]随机产生;每一个b i∈R(i=1,2,...,m)在区间[-300,-90]产生.算例8[17−18]:min−n∑i=1x2is.t.n∑i=1x i≤j,j∈{1,2,...,n}, x i≥0,i∈{1,2,...,n}.表5.1算例1-6利用本文算法产生的数值结果E Refs Matrixρx∗f0(x∗)Iters Time(s) 1本文(00;00)(5.0,1.0)-16.0130.361252 1[17]-(5.0,1.0)-16.0130.37129 1[18](00;00)(5.0,1.0)-16.0140.482本文(01;10)(2.00000,1.66667) 6.77778250.73218 2[17]-(2.000534,1.666430) 6.779125285660.59 2[18](1,0;0,1)(2.000000,1.6666668) 6.77777838013.26 3本文(01;10)(2.555705,3.130251)118.3836180249.83 3[17]-(2.560885,3.123981)118.386615823321.796 3[18](00;00)(2.555765,3.1301777)118.38367173334.82 4本文(10;01)(2.0,1.0)-1.010.072806 4[18](01;10)(2.0,1.0)-1.02 1.5267 5本文(01;10)(1.177125;2.177124) 1.177125138 3.895[17]-(1.177391,2.176737) 1.17739191 2.845[18](01;10)(1.177125,2.177124) 1.177125131 3.766本文(110;111;011)(1.0,0.315864,0.924541)-10.7114433048.436 6[17]-(1.0,0.181981,0.983302)-11.363636153043.4782 6[18](000;000;000)(1.0,0.088388,0.994369)-10.23343694 2.79250应用数学2021表5.2算例7利用本文算法产生的数值结果m n Iters time(s)m n Iters Time(s)5584 2.173******** 6.825173105121 3.430311572787.80387330594 2.72547758202856.29689350563 1.936146595969166.40530760567 2.16155251013957430.4662805148 4.579592106234 6.701242100576 2.49782210780422.848295200537 1.42267110107331215.5171365005138 3.66477310208124123.487181表5.3算例8利用本文算法产生的数值结果n Refs Optimal value MatrixρIters Time(s)5本文-25(0)5×510.155[17]-25-115 3.82565[18]-25(0)5×5186 6.3310本文-100(0)10×1010.310[17]-100-47016.40610[18]-100(0)10×1072627.820本文-400(0)20×2010.6320[17]-400-193074.6547620[18]-400(0)20×202961140.2630本文-900(0)30×3010.8530[18]-900(0)30×306541245.939450本文-1500(0)50×501 1.38750[18]-1500(0)50×5019176931.588100本文-10000(0)100×1001 3.345200本文-40000(0)200×2001 6.9545为方便起见,表5.1-5.3的具体符号表示如下:E:算例编号;Refs:文献;Matrixρ:对称参数矩阵;f0(x∗):最优值;x∗:最优解;m:二次约束的个数;n:目标函数的维数;Iters:平均迭代次数;Time(s):平均运行时间,算法运行过程中的精度为10−6.算例1-6的计算结果如表5.1所示,利用文[17-18]和本算法进行比较,从总体上看本文要优于文[17-18]的计算效果,而从算例3和算例5的结果来看,本文计算时间要比文[18]长,但比文[17]用时短,证明了我们提出的算法是可行有效的.为了进一步证明我们的算法能够解决带有多个二次约束的二次规划问题,对算例7进行了如表5.2结果所示的中高维度的伪随机试验,在表5.2中,我们把参数矩阵ρ∈R n×n固定成ρ=(0)n×n.当约束条件个数固定,维数逐渐增大的情况下,迭代次数没有明显的增加,且运行时间较少;当维数固定,二次约束的个数不断增加时,迭代次数增大且运行时间越长.表5.3中,列出了我们的算法和文[17-18]中算法的数值结果,参数矩阵ρ的元素是全为0的对称矩阵,通过比较数值结果,不管从迭代次数还是从CPU运行时间,都可以看出我们的算法是优于文[17-18]的,随着维数的增加,运行时间在增加,但迭代次数只有1次,说明本算法对算例8的维数大小不是很敏感.数值结果表明我们的算法是有效的.6.结论针对一般的二次约束二次规划问题,本文基于参数化方法求解关于二次项以及双变量的第1期黄小利等:一种新的二次约束二次规划问题的分支定界算法251线性松弛问题.为了加快算法的收敛速度,利用参数化线性松弛分支定界算法,以及结合区域缩减技术,解决了二次约束二次规划问题.通过剖分矩形区域并解决参数化线性子问题,提出的算法最终收敛到原问题(QCQP)的全局最优解,在第五部分数值实验中,验证了在求解二次约束二次规划问题时本文算法是有效可行的.参考文献:[1]LOIOLA E M,ABREU N M M D,BOAVENTURA-NETTO P O,et al.A survey for the quadraticassignment problem[J].European Journal of Operational Research,2007,176(2):657-690.[2]KONAR A,SIDITOPOULOS N,MEHANNA O.Parametric frugal sensing of power spectra formoving average models.IEEE Transactions on Signal Processing.,2015,63(5):1073-1085.[3]SIDITOPOULOS N D,DAVIDSON T N,LUO Z Q.Transmit beamforming for physical-layer mul-ticasting[J].IEEE Transactions on Signal Processing,2006,54(6):2239-2251.[4]MATSKANI E,SIDITOPOULOS N D,LUO Z Q,et al.Convex approximation techniques for jointmultiuser downlink beamforming and admission Control[J].IEEE Transactions on Wireless Commu-nications,2008,7(7):2682-2693.[5]PARDALOS P M,VAVASIS S A.Quadratic programming with one negative eigenvalue is NP-hard[J].Journal of Global Optimization,1991,1(1):15-22[6]DU D Z,PARDALOS P M,WU W L.Reformulation-linearization methods for global optimization[J].Encyclopedia of Optimization,2000:2182-2186.[7]GAO Y,WEI F.A new bound-and-reduce approach of nonconvex quadratic programming problem-s[J].Applied Mathematics and Computation,2015,250:298-308.[8]YAMADA S,TAKEDA A.Successive lagrangian relaxation algorithm for nonconvex quadratic opti-mization[J].Journal of Global Optimization,2018,71(2):313-339.[9]KIM S,KOJIMA M.Second order cone programming relaxation of nonconvex quadratic optimizationproblems[J].Optimization Methods and Software,2001,15(3-4):201-224.[10]LUO Z,MA W,SO A M,YE Y,ZHANG S.Semidefifinite relaxation of quadratic optimizationproblems[J].IEEE Signal Processing Magazine,2010,27(3):20-34.[11]BURER S,VANDENBUSSCHE D.Globally solving box-constrained nonconvex quadratic programswith semidefinite-basedfinite branch-and-bound[J].Computational Optimization and Applications, 2009,43(2):181-195.[12]CHEN J,BURER S.Globally solving nonconvex quadratic programming problems via completelypositive programming[J].Mathematical Programming Computation,2012,4(1):33-52.[13]TSENG P.Further results on approximating nonconvex quadratic optimization by semidefinite pro-gramming relaxation[J].SIAM Journal on Optimization,2001,14(1):268-283.[14]KEYANPOUR M,OSMANPOUR N.On solving quadratically constrained quadratic programmingproblem with one non-convex constraint[J].OPSEARCH,2018,55(2):320-336.[15]JIANG R,LI D.Second order cone constrained convex relaxations for nonconvex quadratically con-strained quadratic programming[J].Journal of Global Optimization,2019,75(2):461-494.[16]LU C,DENG Z,ZHOU J,et al.A sensitive-eigenvector based global algorithm for quadraticallyconstrained quadratic programming[J].Journal of Global Optimization,2019,73(2):371-388. [17]JIAO H,CHEN Y.A global optimization algorithm for generalized quadratic programming[J].Journalof Applied Mathematics,2013,2013:1-9.[18]JIAO H,LIU S,LU N.A parametric linear relaxation algorithm for globally solving nonconvexquadratic programming[J].Applied Mathematics and Computation,2015,250:973-985.[19]QU S J,ZHANG K C,JI Y.A global optimization algorithm using parametric linearization relax-ation[J].Applied Mathematics and Computation,2007,186(1):763-771.252应用数学2021[20]WU H,ZHANG K C.A new accelerating method for global non-convex quadratic optimization withnon-convex quadratic constraints[J].Applied Mathematics and Computation,2008,197(2):810-818.[21]AUDET C,HANSEN P,JAUMARD B,et al.A branch and cut algorithm for nonconvex quadraticallyconstrained quadratic programming[J].Mathematical Programming,2000,87(1):131-152.[22]LUO H,BAI X,PENG J.Enhancing semidefinite relaxation for quadratically constrained quadraticprogramming via penalty methods[J].Journal of Optimization Theory and Applications,2019,180(3): 964-992.A New Branch and Bound Algorithm for QuadraticallyConstrained Quadratic Programming ProblemHUANG Xiaoli1,2,GAO Yuelin1,2,XIE Jinxiao1,2,GU Jianfeng1,2(1.School of Mathematics and Information Science,North Minzu University,Yinchuan 750021,China;2.Ningxia Scientific Computing and Intelligent Information ProcessingCo-Innovation Center,Yinchuan750021,China)Abstract:In this paper,in order to obtain globally optimal solution of the quadratically con-strained quadratic programming problem(QCQP),a new parametric linearized relaxation branch and bound algorithm is proposed.Our algorithm utilize the parametric linearized relaxation technique to get the lower bound of the global minimum value of(QCQP),using the region-reduction-technique to delete the infeasible region as much as possible in which can accelerate the convergence speed of the algorithm. The numerical experiments show that the proposed algorithm is effective and feasible.Key words:Quadratically constrained quadratic programming;Global optimization;Branch and bound;Parametric linearized relaxation;Region-reduction。
不等式约束二次规划问题的一个近似迭代算法

不等式约束二次规划问题的一个近似迭代算法
拉格朗日乘子法是一种近似迭代算法,用于求解不等式约束二次规划问题。
它的基本思想是,将原问题转化为一个拉格朗日函数,然后求解拉格朗日函数的极小值。
拉格朗日乘子法的步骤如下:
1.将原问题转化为拉格朗日函数,即:
L(x,λ)=f(x)+∑λi*g(x)
其中,f(x)是原问题的目标函数,g(x)是原问题的约束函数,λi是拉格朗日乘子。
2.求解拉格朗日函数的极小值,即:
∂L/∂x=0,∂L/∂λi=0
3.根据求解的结果,更新拉格朗日乘子λi,即:
λi=λi+α*(g(x)-g(x*))
其中,α是步长,x*是上一次迭代的结果,g(x)是原问题的约束函数。
4.重复步骤2和步骤3,直到拉格朗日乘子收敛,即:
|λi+1-λi|<ε
其中,ε是收敛阈值。
拉格朗日乘子法是一种近似迭代算法,它可以用于求解不等式约束二次规划问题。
它的优点是算法简单,实现方便,但是它的缺点是收敛速度慢,而且容易陷入局部最优解。
最优化各算法介绍

最速下降法:算法简单,每次迭代计算量小,占用内存量小,即使从一个不好的初始点出发,往往也能收敛到局部极小点。
沿负梯度方向函数值下降很快的特点,容易使认为这一定是最理想的搜索方向,然而事实证明,梯度法的收敛速度并不快.特别是对于等值线(面)具有狭长深谷形状的函数,收敛速度更慢。
其原因是由于每次迭代后下一次搜索方向总是与前一次搜索方向相互垂直,如此继续下去就产生所谓的锯齿现象。
从直观上看,在远离极小点的地方每次迭代可能使目标函数有较大的下降,但是在接近极小点的地方,由于锯齿现象,从而导致每次迭代行进距离缩短,因而收敛速度不快.牛顿法:基本思想:利用目标函数的一个二次函数去近似一个目标函数,然后精确的求出这个二次函数的极小点,从而该极小点近似为原目标函数的一个局部极小点。
优点 1. 当目标函数是正定二次函数时,Newton 法具有二次终止性。
2. 当目标函数的梯度和Hesse 矩阵易求时,并且能对初始点给出较好估计时,建议使用牛顿法为宜。
缺点:1. Hesse 矩阵可能为奇异矩阵,处理办法有:改为梯度方向搜索。
共轭梯度法:优点:收敛速度优于最速下降法,存贮量小,计算简单.适合于优化变量数目较多的中等规模优化问题.缺点:变度量法:较好的收敛速度,不计算Hesse 矩阵1.对称秩1 修正公式的缺点(1)要求( ) ( ) ( ) ( ) ( ) 0 k k k T k y B s s − ≠0(2)不能保证B ( k ) 正定性的传递2.BFGS 算法与DFP 算法的对比对正定二次函数效果相同,对一般可微函数效果可能不同。
1) BFGS 算法的收敛性、数值计算效率优于DFP 算法;(2) BFGS 算法要解线性方程组,而DFP 算法不需要。
基本性质:有效集法:算法思想:依据凸二次规划问题的性质2,通过求解等式约束的凸二次规划问题,可能得到原凸二次规划问题的最优解。
有效集法就是通过求解一系列等式约束凸二次规划问题,获取一般凸二次规划问题解的方法。
内点法 有效集法-概述说明以及解释

内点法有效集法-概述说明以及解释1.引言1.1 概述概述内点法和有效集法是数学优化领域中常用的求解非线性规划问题的方法。
非线性规划问题是在一定约束条件下,寻找目标函数取得最大或最小值的问题。
内点法和有效集法通过不同的思路和技巧,帮助我们在复杂的非线性规划问题中找到最优解。
内点法是一种基于内点思想的求解方法,其核心思想是将规划问题转化为一系列的数学规划子问题。
通过逐渐接近可行域的内部点,内点法可以逼近最优解。
实际应用中,内点法具有较好的收敛性、快速求解速度和较高的精度等优点,广泛应用于线性规划、二次规划以及非线性规划等领域。
有效集法是一种通过构造有效集来有效地处理非线性规划问题的方法。
有效集法通过寻找约束条件的紧缩有效集,将复杂的非线性规划问题转化为一系列相对简单的线性规划子问题。
有效集法在求解过程中通过动态调整约束条件,以求得更加精确的解。
该方法具有较好的求解速度和收敛性,并且可以处理带有不等式约束和等式约束的非线性规划问题。
总的来说,内点法和有效集法在非线性规划领域具有重要的应用价值。
它们通过不同的思路和方法帮助我们更高效地解决复杂的非线性规划问题。
本文将分别介绍内点法和有效集法的原理和应用领域,并对其优缺点进行总结和展望。
通过深入了解和掌握这两种方法,我们可以更好地应对和解决实际问题中的非线性规划挑战,提高优化问题的求解效率和精度。
文章结构部分的内容需要说明整篇文章的组织结构以及各个部分的内容概要。
以下是对文章结构部分内容的一种可能的描述:1.2 文章结构本文主要分为四个部分,分别是引言、内点法、有效集法和结论。
在引言部分(Section 1),将首先对本文要讨论的主题进行概述,简要介绍内点法和有效集法的背景和重要性。
随后,会对文章的结构进行概述,以帮助读者理解文章的整体内容。
接下来,第二部分是内点法(Section 2)。
我们将详细介绍内点法的原理和基本思想。
可能会涵盖如何通过将问题转化为等效问题,并引入罚函数、寻找内点等方法来解决约束优化问题。
第17讲凸二次规划的有效集方法课堂使用

1
到
5,假设初始可行点为
x0
2 0
,易知
有效约束为 3 和 5,从而w0 3,5.求解(10)式,求得解为 p1 0
(此时k 1). Lagrange 乘子的求解: A Gx g ,
AT
1
0
2 1
,G
2 0
02 ,
g
2 5
,
从而,可以推出
1
0
2T 1
3
5
2 0
0 2
2 0
2 5
,即是
p2 0,解 Lagrange 乘子,得到5 5,从而从工作集中 去掉约束 5,得到w3 .
基础教学
18
第三次迭代是解无约束最优化问题, p3 0, 2.5T ,由
公式(9)得到3 0.6. 此时新的迭代点为 x4 1,1.5T ,有一
个回代约束,为约束 1,从而w4 1.
说明:
由k 的定义,
解为 x x5 1.4,1.7T 迭代终止.
基础教学
20
二. 二次规划问题的对偶性质
对于一般二次规划问题(1), 当 G 正半定时,等价于求解
x, Rnm,使得
g Gx A
aiT x bi , i E aiT x bi , i I
aiT x bi 0, i I
(11)
i 0, i I x
(4)
则 x也是原问题(1)的 K-T 点.
基础教学
4
2.理论基础 有效集方法的难点在于事先一般不知道有效集 w(x) .
基础教学
5
2.理论基础
解决办法: 构造一个集合序列去逼近有效集 w(x) ,即从初始点出发,计算有效 集 w(x0 ) ,解对应的等式约束子问题,重复这一做法,得到有效集序
拉格朗日对偶

2 拉格朗日对偶(Lagrange duality)先抛开上面的二次规划问题,先来看看存在等式约束的极值问题求法,比如下面的最优化问题:目标函数是f(w),下面是等式约束。
通常解法是引入拉格朗日算子,这里使用来表示算子,得到拉格朗日公式为L是等式约束的个数。
然后分别对w和求偏导,使得偏导数等于0,然后解出w和。
至于为什么引入拉格朗日算子可以求出极值,原因是f(w)的dw变化方向受其他不等式的约束,dw的变化方向与f(w)的梯度垂直时才能获得极值,而且在极值处,f(w)的梯度与其他等式梯度的线性组合平行,因此他们之间存在线性关系。
(参考《最优化与KKT条件》)然后我们探讨有不等式约束的极值问题求法,问题如下:我们定义一般化的拉格朗日公式这里的和都是拉格朗日算子。
如果按这个公式求解,会出现问题,因为我们求解的是最小值,而这里的已经不是0了,我们可以将调整成很大的正值,来使最后的函数结果是负无穷。
因此我们需要排除这种情况,我们定义下面的函数:这里的P代表primal。
假设或者,那么我们总是可以调整和来使得有最大值为正无穷。
而只有g和h满足约束时,为f(w)。
这个函数的精妙之处在于,而且求极大值。
因此我们可以写作这样我们原来要求的min f(w)可以转换成求了。
我们使用来表示。
如果直接求解,首先面对的是两个参数,而也是不等式约束,然后再在w上求最小值。
这个过程不容易做,那么怎么办呢?我们先考虑另外一个问题D的意思是对偶,将问题转化为先求拉格朗日关于w的最小值,将和看作是固定值。
之后在求最大值的话:这个问题是原问题的对偶问题,相对于原问题只是更换了min和max的顺序,而一般更换顺序的结果是Max Min(X) <= MinMax(X)。
然而在这里两者相等。
用来表示对偶问题如下:下面解释在什么条件下两者会等价。
假设f和g都是凸函数,h是仿射的(affine,)。
并且存在w使得对于所有的i,。
在这种假设下,一定存在使得是原问题的解,是对偶问题的解。
- 1、下载文档前请自行甄别文档内容的完整性,平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益,请联系客服反馈,我们会尽快为您处理(人工客服工作时间:9:00-18:30)。
求解二次规划问题的拉格朗日及有效集方法——最优化方法课程实验报告学院:数学与统计学院班级:硕2041班*****学号:**********指导教师:***同组人:钱东东求解二次规划问题的拉格朗日及有效集方法求解二次规划问题的拉格朗日及有效集方法摘要二次规划师非线性优化中的一种特殊情形,它的目标函数是二次实函数,约束函数都是线性函数。
由于二次规划比较简单,便于求解(仅次于线性规划),并且一些非线性优化问题可以转化为求解一些列的二次规划问题,因此二次规划的求解方法较早引起人们的重视,称为求解非线性优化的一个重要途径。
二次规划的算法较多,本文仅介绍求解等式约束凸二尺规划的拉格朗日方法以及求解一般约束凸二次规划的有效集方法。
关键字:二次规划,拉格朗日方法,有效集方法。
- 1 -《最优化方法》课程实验报告- 2 - 【目录】摘要........................................................................................................................... - 1 -1 等式约束凸二次规划的解法............................................................................... - 3 -1.1 问题描述.................................................................................................... - 3 -1.2 拉格朗日方法求解等式约束二次规划问题............................................ - 3 -1.2.1 拉格朗日方法的推导...................................................................... - 3 -1.2.2 拉格朗日方法的应用...................................................................... - 4 -2 一般凸二次规划问题的解法............................................................................... - 5 -2.1 问题描述.................................................................................................... - 5 -2.2 有效集法求解一般凸二次规划问题........................................................ - 6 -2.2.1 有效集方法的理论推导.................................................................. - 6 -2.2.2 有效集方法的算法步骤.................................................................. - 9 -2.2.3 有效集方法的应用........................................................................ - 10 -3 总结与体会......................................................................................................... - 11 -4 附录..................................................................................................................... - 11 -4.1 拉格朗日方法的matlab程序................................................................. - 11 -4.2 有效集方法的Matlab程序 .................................................................... - 11 -求解二次规划问题的拉格朗日及有效集方法- 3 -1 等式约束凸二次规划的解法1.1 问题描述我们考虑如下的二次规划问题⎪⎩⎪⎨⎧=+b Ax t s x c Hx x T T ..,21min (1.1) 其中n n R H ⨯∈对称正定,n m R A ⨯∈行满秩,n R x c,∈,m R b ∈。
1.2 拉格朗日方法求解等式约束二次规划问题1.2.1 拉格朗日方法的推导首先写出拉格朗日函数: )(21)L(x,b Ax x c Hx x T T T --+=λλ,(1.2)令0),(,0),(=∇=∇λλλx L x L x ,得到方程组.,A -Hx T b Ax c -=--=λ将上述方程组写成分块矩阵形式:.0H ⎥⎦⎤⎢⎣⎡--=⎥⎦⎤⎢⎣⎡⎥⎦⎤⎢⎣⎡--b c x AA T λ(1.3)我们称伤处方程组的系数矩阵⎥⎦⎤⎢⎣⎡0A-A -H T为拉格朗日矩阵。
下面的定理给出了线性方程组(1.1)有唯一解的充分条件。
定理1 设n m R H ⨯∈对称正定,n m R A ⨯∈行满秩。
若在问题(1.1)的解*x 处满足二阶充分条件,即,0,0,,0d T =≠∈∀>Ad d R d Hd n则线性方程组(1.4)的系数矩阵非奇异,即方程组(1.4)有唯一解。
其中,方程组(1.4)为(1.1)对应的齐次方程组:《最优化方法》课程实验报告- 4 - 00A -H T =⎥⎦⎤⎢⎣⎡⎥⎦⎤⎢⎣⎡-v d A(1.4).下面,我们来推导方程(1.3)的求解公式。
根据定理1,拉格朗日矩阵必然是非奇异的,故可设其逆为⎥⎦⎤⎢⎣⎡--=⎥⎦⎤⎢⎣⎡C B B G T 0A -A -H T . 由恒等式⎥⎦⎤⎢⎣⎡=⎥⎦⎤⎢⎣⎡--⎥⎦⎤⎢⎣⎡⨯⨯m n m m n nT I I C B B G 000A-A -H T 可得.,0,0,A HG T m Tn m m n T T n I AB AG C A HB I B ==-=--=+⨯⨯于是由上述四个等式得到矩阵C B,G,的表达式)7.1(.)()6.1(,)()5.1(,)(H G 111111111-1----------==-=T T T T A AH C AH A AH B AH A AH A H 因此,由(1.3)可得解得表达式)8.1(,x ⎥⎦⎤⎢⎣⎡-+-=⎥⎦⎤⎢⎣⎡--⎥⎦⎤⎢⎣⎡--=⎥⎦⎤⎢⎣⎡Cb Bc b B Gc b c C BB G T T λ其中,C B,G,分别由(1.5),(1.6),(1.7)给出。
下面给出x 和λ的另一种等价表达式。
设k x 是问题(1.1)的任一可行点,即k x 满足b =k Ax 。
而在此点处目标函数的梯度为c Hx x f k k +=∇=)(g k ,利用kx 和k g ,可将(1.8)改写为)9.1(.x ⎥⎦⎤⎢⎣⎡-=⎥⎦⎤⎢⎣⎡k k k Bg Gg x λ1.2.2 拉格朗日方法的应用(1)拉格朗日方法的Matlab 程序见附录。
(2)利用拉格朗日方法求解下列问题:求解二次规划问题的拉格朗日及有效集方法- 5 -.22,4..,22min 321321321232221=+-=+++-++x x x x x x t s x x x x x x解 容易写出.24,112111,100,200042022H ⎥⎦⎤⎢⎣⎡=⎥⎦⎤⎢⎣⎡-=⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡=⎥⎥⎥⎦⎤⎢⎢⎢⎣⎡--=b A c 利用Matlab 程序求解该问题可以结果如下:2 一般凸二次规划问题的解法2.1 问题描述考虑一般二次规划)1.2(,},,1{,0},,,1{,0..,21min ⎪⎪⎩⎪⎪⎨⎧+=∈≥-=∈=-+m l I i b x a l E i b x a t s x c Hx x iT i i Ti TT其中H 是n 阶对称阵。
记I}i 0,b -x a |{i )I(x i *T i *∈==,下面的定理给出了问题(2.1)的一个最优性充要条件。
定理2 *x 是二次规划问题(2.1)的局部极小点当且仅当《最优化方法》课程实验报告- 6 - (1)存在m R ∈*λ,使得.)(\,0;,0,,0,,0,0********⎪⎪⎩⎪⎪⎨⎧∈=∈≥∈≥-∈=-=--+∑∑∈∈x I I i I i I i b x a E i b x a a a c Hx i ii T i i T i Ii i i E i i i λλλλ (2)记0}.)I(x i 0,a d );I(x i 0,a d E;i 0,a d |{0}\R {d S **i T *i T i T n >∈=∈≥∈=∈=i λ且则对于任意的S d ∈,均有0d T ≥Hd .容易发现,问题(2.1)是凸二次规划的充要条件是H 半正定。
此时,定理2的第二部分自然满足。
注意到凸优化问题的局部极小点也是全局极小点的性质,我们有下面的定理:定理3 *x 是凸二次规划的全局极小点的充要条件是*x 满足KT 条件,即存在m R ∈*λ,使得⎪⎪⎩⎪⎪⎨⎧∈=∈≥∈≥-∈=-=--+∑∑∈∈).(\,0;,0,,0,,0,0Hx ********x I I i I i I i b x a E i b x a a a c i ii T i i T i E i Ii i i i i λλλλ 2.2 有效集法求解一般凸二次规划问题2.2.1 有效集方法的理论推导首先引入下面的定理,它是有效集方法理论基础。
定理 4 设*x 是一般凸二次规划问题的全局极小点,且在*x 处的有效集为)()(**x I E x S =,则*x 也是下列等式约束凸二次规划)2.2().(,0..,21min*⎪⎩⎪⎨⎧∈=-+x S i b x a t s x c Hx x i T i T T的全局极小点。
从上述定理可以发现,有效集方法的最大难点是事先一般不知道有效集)(*x S ,因此只有想办法构造一个集合序列去逼近它,即从初始点0x 出发,计算求解二次规划问题的拉格朗日及有效集方法- 7 -有效集)(0x S ,解对应的等式约束子问题。