论文部分内容阅读
本文针对大规模非线性优化问题研究了有限内存序列二次规划方法,算法以序列二次规划和积极集的预测为基础,使用保持正定性的有限内存对称秩1校正(L-SR1)更新近似Hessian阵,结合Jacobian阵的半正规近似,使得存储量和KKT系统计算量有显著下降。 在减少存储量方面,我们提出了保持正定性的L-SR1方法,由于使用L-SR1的紧凑表示形式,仅需存储一些低维矩阵便可完成Hessian阵相关计算。为简化计算,在Mangasarian-Fromovitz约束规范条件下,我们构造的指示函数可以较准确地预测最优解处积极集,而不需要严格互补松弛条件成立,所以基于积极集的预测,算法仅需考虑等式约束的非线性优化问题;当积极集确定后,充分利用近似Hessian阵的特殊结构以及Jacobian阵的半正规近似,我们提出了计算复杂度较低的求解KKT系统新方法;最后,以低秩Cholesky分解校正为基础,提出了在存储校正向量或预测积极集变化时存储项的更新方法,以避免重新计算和不必要的矩阵分解。 在CUTEr测试平台上通过数值试验说明了保持正定性的L-SR1算法和预测积极集方法的有效性,而大规模问题的测试结果表明本算法对于大规模问题有良好的数值效果。