改进的Kth-best方法解无上层约束的线性双层规

针对无上层约束的线性双层规划问题提出一种改进的K最好方法(Kth-best方法). 理论和算例证明该方法在不需要原Kth-best方法的前提条件下可以有效地解决线性双层规划问题.     

一个求解线性双层规划的全局收敛算法

用线性规划对偶理论讨论了线性双层规划的最优性条件,利用下层问题的对偶间隙,将线性双层规划转化为目标函数带惩罚项的单层问题,通过对转化后的单层问题进行求解,给出了一个求解线性双层规划局部最优解的方法,然后引进一种割平面约束来修正当前局部最优解,直到求得线性双层规划的全局最优解。提出的算法具有全局收敛性,并通过一个算例说明了算法的求解过程。     

求解线性双层规划的割平面算法

利用线性双层规划的全局最优解可在其约束域的极点上达到这一性质,通过对问题可行解集合的结构进行探讨,引进一种割平面技术,提出了一个求解线性双层规划的全局收敛算法,并通过一个算例说明了算法的求解过程.     

求解线性双层规划的一个全局收敛算法

基于线性双层规划的最优解在约束域极点上达到这一特性,得到了线性双层规划问题的一些性质。然后给出了一个求解线性双层规划的全局收敛算法,该算法从合理反应集的一个顶点开始进行搜索。最后通过一个算例说明这种算法的可行性和优越性。     

关于下层规划带线性约束的二层规划问题

通过极大熵方法将一类下层规划带线性约束的二层规划问题转化为支规划问题,并证明了转化的单的单层规划问题与原二层规划问题的最优解之间的联系,在一定条件下可保证转化后的单层规划问题的最优解为原问题的ε－最优解。     

求解二次双层规划问题的全局最优解

针对现有的一些逼近算法在计算过程中有时得到的解为不可行解, 甚至远离真正全局最优解的问题, 给出一种解二次双层规划非孤立全局最优解的算法. 数值实例结果表明, 该算法行之有效.     

求解线性双层规划的一种全局优化算法

讨论了线性双层规划问题,通过分析线性双层规划可行域的结构特征和最优解在约束域极点上达到这一特性,对线性双层规划上层目标函数进行定界,利用二分法原理,构造了一个双线性规划来修正当前的界,提出一种了求解线性双层规划的全局优化算法.     

对双层规划最优解的进一步研究

对双层规划BLP（Bilevel Programming）的最优解作了进一步的研究。由于双层规划的最优解一般不是Pareto最优解,本文给出5种有效解的定义,并指出所定义的有效解有更重要的实际意义。     

双层线性分式规划的性质和算法

讨论了双层线性分式规划问题，利用分式对偶理论和Kuhn-Tucker条件，给出一些二层规划解的最优性条件，并且借助于PCP算法的思想，给出求解双层线性分式规划行之有效的算法．     

一种求解带等式约束非线性规划问题全局最优解的方法

本文把罚函数法和一种求解无约束非线性规划问题的辅助函数法相结合,首先写出非线性规划问题的罚函数,从而把原问题转化成为一个无约束的非线性规划问题,然后再运用辅助函数法(GOM)来求解罚函数的全局最优解,从而求到原带等式约束的非线性规划问题的全局最优解.     

双层线性规划的一种全局优化方法

根据双层线性规划全局最优解可在约束域极点上达到的性质和线性规划对偶理念,引进上层目标函数对应的一种割平面约束,对双层线性规划的约束域不断进行切割,求得问题更好的可行解,提出了一种利用单纯形法寻找双层线性规划全局最优解的方法。算例说明了算法的求解过程,并验证了算法的有效性。     

—种求解线性二层规划的神经网络方法

提出了—种求解线性二层规划的神经网络方法.采用以下层问题的对偶间隙为罚项,构造线性二层规划罚问题的思想,将线性二层规划转化成相应的单层规划问题,然后设计求解单层规划问题的神经网络模型,从而得到线性二层规划的最优解.该网络是Lyapunov稳定的,且在适当的条件下收敛于线性二层规划的最优解,仿真结果表明该神经网络可以有效地得到线性二层规划的最优解.     

约束中含有模糊数的双层线性规划的一种解法

以分解定理为依据,讨论了约束中含有模糊数的双层线性规划的解法,并应用模糊数学规划的方法得到了该系统在一定置信水平下的满意解。     

约束中含有模糊数的双层线性规划的一种解法

以分解定理为依据,讨论了约束中含有模糊数的双层线性规划的解法,并应用模糊数学规划的方法得到了该系统在一定置信水平下的满意解.     

无约束线性二层规划问题的区间算法

利用区间分析研究无约束线性二层规划问题的数值方法.通过建立目标函数的区间扩张和构造无解区域删除检验原则,建立区间算法,证明了算法的收敛性,并进行数值实验,给出数值算例.该算法可以同时求出二层规划的最优值和全部最优解的区间值.算例结果表明该算法是可靠和有效的.     

A Branch and Bound-Based Algorithm for the Weak Linear Bilevel Programming Problems

Most real-world optimization problems are hierarchical involving non-cooperative objectives. Many of these problems can be formulated in terms of the first (upper level) objective function being minimized over the solution set mapping of the second (lower level) optimization problem. Often the upper level decision maker is risk-averse. The resulting class of problem is named weak bilevel programming problem. This paper presents a new algorithm which embeds a penalty function method into a branch and bound algorithm to deal with a weak linear bilevel programming problem. An example illustrates the feasibility of the proposed algorithm.     

A New Variant of Penalty Method for Weak Linear Bilevel Programming Problems

We present a new variant of penalty method, which is different from the existing penalty methods, for solving the weak linear bilevel programming problems. We then transform it into a single-level optimization problem using Kuhn-Tucker optimality condition and discuss the relations between them. Finally, two examples are used to illustrate the feasibility of the proposed penalty method.     

线性规划中预测-校正内点算法的改进(英文)

研究线性规划中预测一校正内点算法的改进，获得了复杂度0（nL），进一步地，在校正部不仅把迭代点重新置于一个小邻域中，而且降低了对偶间隙。