1引言
本文研究的极小极大分式规划(MFP)问题可以表示为以下非线性优化问题
(MFP公司):最小值最大值{n个1(x个)d日1(x个),n个2(x个)d日2(x个),…,n个第页(x个)d日第页(x个)}秒.t吨.克j个(x个)≤0,j个=1,2,…,米,x个∈X(X)0={x个∈R(右)n个|我我0≤x个我≤u个我0,我=1,2,⋯,n个},
哪里n个我(x个),−d日我(x个),我= 1, 2, ⋯,第页,克j个(x个),j个= 1, 2, ⋯,米,都是凸函数,并且我们假设目标函数中的每个分子和分母满足以下条件:
n个我(x个)≥0,d日我(x个)>0,∀x个∈X(X)0,我=1,2,⋯,第页.
(1)
MFP问题,我们称之为广义极小极大凸凹比问题,是分式规划问题中最热门和最有用的领域之一,多年来吸引了实践者和研究者的兴趣[1——4]. 研究MFP问题的原因是两方面的。第一个是,从实际角度来看,MFP问题在同时优化多个速率的各个领域有着相当多的应用,例如电子电路的设计[5]生物计算麦芽有效DNA[6]、农村耕作制度[7],神经网络[8]、管理和财务[9]和系统标识[10——12]仅举几个例子。另一个原因是,从研究的角度来看,MFP问题推广了极大极小线性比问题[13——15]并且它既不是拟凹的也不是拟凸的,因此它可能具有多个局部最优,其中大多数都不是全局最优(例8.和图1)因此,它带来了重大的理论和计算挑战。由于这些原因,为MFP问题开发新的解决方法仍然是非常必要和有意义的。
多年来,已有几种全局优化方法可用于解决特殊情况下的问题(MFP),包括参数规划方法[16],内部点算法[17],单调优化方法[18]以及那些类型的dinkelbach算法[19,20]. 当(MFP)的目标函数中的分子和分母都是仿射的时,Feng提出了两种确定性算法来解决MFP问题的特殊情况[14,15]. 最近,焦和刘使用两步松弛技术提出了一种新的全局优化算法,用于求解具有线性比率和约束的MFP[13]当目标和约束中的数据都是不确定性时,Jeyakumar等人提出了鲁棒极小极大分式规划问题的强对偶[21].Lai和Huang为一个涉及的极大极小规划问题建立了充分的最优性条件第页分数的n个–广义凸性下的集函数[22]。MFP问题的进展远比上面提到的要先进——还有许多关于(MFP)及其特殊情况的其他研究。尽管有这些不同的贡献,但最近的工作中提出的大多数MFP知识只关注MFP问题的最优性条件或特殊情况下的对偶理论,现有算法只能找到其局部最优解,或只能求解线性形式的MFP问题。就我们所知,对于本文所研究的一般(MFP),很少开发出全局优化算法。
本文提出了一种全局求解(MFP)的一维结果整数分枝定界算法。首先,建立了等价问题的简明凸松弛规划(EMFP)。然后描述了结果分支定界算法中的一些关键操作,特别是区间约简技巧可以显著提高该算法的计算效率。第三,将加速技术和自适应划分规则结合到分支定界方案中,开发了该算法。数值实验结果表明,该算法比Refs算法具有更高的计算效率和更强的鲁棒性。[13]和[14,15].
本研究的其余部分按以下方式组织。在第2节通过引入辅助变量,将MFP问题转化为等价问题(EMFP)。然后在中建立了(EMFP)的凸松弛规划问题第3节本节还介绍了线性松弛规划的特殊情况,即目标函数中的分子和分母以及约束都是线性的。第4节给出了全局求解(MFP)的分枝定界算法中的一些关键操作。在中引入了(MFP)的一维结果区间分枝定界算法第4节。中报告了最近使用该算法的一些测试示例的数值结果第5节,最后一节给出了一些结论。
2等效问题
为了解决这个问题,我们将首先通过将目标函数中的所有比率与辅助变量关联起来,将问题(MFP)转换为等价问题(EMFP)。为此,我们首先将一些符号表示如下:
n个_我≤n个我(x个)≤n个¯我,d日_我≤d日我(x个)≤d日¯我,我n个+10=最小值1≤我≤第页{n个_我d日¯我},u个n个+10=最大值1≤我≤第页{n个¯我d日_我};
哪里n个我,d日我可以利用n个我(x个)和d日我(x个)分别是。通过引入正辅助变量x个n个+1,我们可以导出MFP问题的以下等效问题(EMFP0)。
(EMFP0公司):最小值x个n个+1秒.t吨.n个我(x个)−x个n个+1d日我(x个)≤0,我=1,2,⋯,第页克j个(x个)≤0,j个=1,2,…,米,x个∈X(X)0={x个∈R(右)n个|我我0≤x个我≤u个我0,我=1,2,⋯,n个},x个n个+1∈D类0=[我n个+10,u个n个+10],
通过使用变量等价替换策略并更改符号,可以将(EMFP0)重新格式化为以下形式
(欧洲货币基金组织):最小值x个n个+1秒.t吨.n个我(x个)−x个n个+1(d日我(x个)−d日_我)−d日_我x个n个+1≤0,克j个(x个)≤0,j个=1,2,…,米,x个∈X(X)0,x个n个+1∈D类0.
注意,我们将(EMFP0)转换为形式(EMFP)的原因是通过从凹函数中分离线性部分d日我(x个)我们可以使凸松弛规划更接近初始问题(MFP),此操作将显著提高算法的效率,数值实验证明了这一点。此外,在EMFP问题中,只有第一组约束中的中间部分是非凸的。这为我们建立初始问题的凸松弛问题带来了极大的便利。问题(MFP)和(EMFP)之间的等价性可以从以下定理的意义上获得。
定理2.1
如果
(x个∗,x个n个+1∗)∈R(右)n个+1
是针对(电动势),然后 x个*∈R(右)n个 是针对(MFP公司).相反,如果 x个*∈R(右)n个 是针对(MFP公司),然后
(x个∗,x个n个+1∗)∈R(右)n个+1
是针对(欧洲货币基金组织),哪里
x个n个+1∗=最大值{n个1(x个∗)d日1(x个∗),n个2(x个∗)d日2(x个∗),…,n个第页(x个∗)d日第页(x个∗)}.
证明
根据问题(EMFP0)和(EMFP)的定义,这个定理的证明很容易遵循,因此这里省略了它。□
要解决MFP问题,请基于定理2.1,我们只需要解决EMFP问题。因此,从现在开始,我们将假设初始问题(MFP)的形式类似于(EMFP),然后我们的主要工作将集中于如何全局求解(EMFP)。
3凸松弛规划问题
在本节中,我们构造了(EMFP)的一个凸规划松弛D类。为了便于演示,我们假设D类= [我n个+1,u个n个+1]表示初始结果间隔D类0(EMFP),或由算法中的分支操作生成的修改间隔。接下来,我们描述了对应于D类.
为此,我们只需要考虑(EMFP)中的非凸约束。为了方便起见,我们用符号表示这些约束函数,并将其编号如下:
小时我(x个,x个n个+1)=n个我(x个)−x个n个+1(d日我(x个)−d日_我)−d日_我x个n个+1
(2)
假设v(v),v(v)表示到目前为止已知的目标值的最佳上界和下界(如果没有找到这样的值,则设置v(v):= +∞,v(v):=-∞),并让M(M)=最小值{v(v),u个n个+1},然后我们可以得到一个低估函数小时我(x个)其可以公式化为:
小时~我(x个,x个n个+1)=n个我(x个)−M(M)(d日我(x个)−d日_我)−d日_我x个n个+1=n个我(x个)−M(M)d日我(x个)+M(M)d日_我−d日_我x个n个+1,
(3)
基于以下定义M(M)以及n个我(x个)和d日我(x个),这不难看出
小时~我(x个)
是凸的,为小时我(x个),我= 1, 2, ⋯,第页因此,根据上述讨论,对于任意区域X(X)k个×D类k个⊆X(X)0×D类0,我们可以描述对应于结果区间的凸松弛规划问题D类如下:
(RMFP公司):最小值x个n个+1秒.t吨.小时~我(x个,x个n个+1)≤0,我=1,2,⋯,第页,克j个(x个)≤0,j个=1,2,…,米,x个∈X(X)0,x个n个+1∈D类.
备注3.1
我们使用的松弛操作非常简单且易于实现,即我们只需要在每次迭代中比较两个实数即可构造松弛问题。它与通常的分枝定界算法有很大的不同,大多数分枝定界方法利用凹包络或线性技术构造松弛,这将大大减少在初始5源问题中建立非凸函数低估函数的计算时间。在初始源问题中建立非凸函数的低估函数。此外,由于松弛操作只发生在一维结果区间,因此我们只能在分支过程中细分结果区间。这将大大减少算法中的节点数,因此我们提出的结果区间分枝定界算法比在 n维变量空间.
备注3.2
条件 (1) 可以放松到 d日我(x个) ≠ 0, ∀x个∈X(X)0,我= 1, 2, ⋯;第页,when函数 n个我(x个)和 d日我(x个)都是线性的,即本文所考虑的问题推广了[13——15].事实上,什么时候 n个我(x个)和 d日我(x个)都是线性函数,相反,假设
d日我(x个)=∑j个=1n个α我j个x个我j个+γ我=∑j个∈T型+α我j个x个我+∑j个∈T型−α我j个x个我j个+γ我>0,我=1,2,⋯,第页,
(4)
哪里 T型+= {j个|αij公司> 0},T型−= {j个|αij公司< 0}.如果不是,我们可以替换比率
n个我(x个)d日我(x个)w个我t吨小时−n个我(x个)−d日我(x个),
然后就会变成(4).依次,低估函数
小时~我(x个)
可以按以下方式构造
小时~我(x个,x个n个+1)=n个我(x个)−M(M)我1∑j个∈T型+α我j个x个我−M(M)我2∑j个∈T型−α我j个x个我−γ我x个n个+1,
(5)
哪里 M(M)我1=最小值{v(v),u个n个+1},M(M)我2=最大值{v(v),我n个+1}.在分支定界算法中使用这种松弛技术比在[14,15] 其中线性松弛规划是利用凸和(或)构造的 双线性函数的凹包络,数值测试将说明这一点.
定理3.3
对于任何 x个∈X(X)0,x个n个+1∈D类,让Δ = |u个n个+1−我n个+1|,然后将得出以下结论:
小时~我(x个)≤小时我(x个),林Δ→0|小时~我(x个)−小时我(x个)|=0
证明
这个定理的证明可以很容易地通过
小时~我(x个,x个n个+1)
在里面(3)因此,此处省略。□
定理2.1和定理3.3确保
小时~我(x个,x个n个+1)
是很好的低估小时我(x个,x个n个+1)并将为初始问题(MFP)的最优值提供有效的下界。
4算法及其收敛性
在本节中,我们将首先介绍分支定界算法的一些关键操作,然后将提出基于前一个凸松弛规划的全局优化算法,最后,我们将从理论上证明当前算法的全局收敛性。
4.1关键操作
缩减结果区间分枝定界算法有几个关键操作。这些操作的重点是以更快的速度找到目标值的更好的上下限。在我们的算法中,有三种基本操作:分支、约简和定界。
选择合适的划分规则是保证收敛到全局最优解的关键因素,这里我们选择一个简单且自适应的对分规则,它足以确保收敛。对于超矩形确定的任何子问题
X(X)0×D类={(x个,x个n个+1)|x个∈X(X)0,我n个+1≤x个n个+1≤u个n个+1}⊂X(X)0×D类0,
让q个= (我n个+1+v(v))/2,然后分区X(X)0×D类将分为两个地区
X(X)0×D类¯和X(X)0×D类¯¯,哪里D类¯=[我n个+1,q个],D类¯¯=[q个,u个n个+1].
注意,我们只划分结果的一维区间D类,的n个–在该算法中,维度变量空间从未被划分,因此划分集的数量远小于使用纯变量空间划分规则的分支定界算法。此外,与当前目标值相对应的自适应分割技术也将提高算法的性能。
此外,分支操作生成的分区集可以通过EMFP的特殊结构进一步约简。事实上,基于定理2.1,我们知道EMFP问题与MFP问题具有相同的最优值,因此当t吨<v(v),或t吨>v(v),将无法获得最佳值,因此划分集D类= [我n个+1,q个]和
D类¯¯=[q个,u个n个+1]
可以进一步简化为
D类¯=[最大值{v(v)_,我n个+1},q个]和D类¯¯=[q个,最小值{v(v)¯,u个n个+1}],
(6)
分别是。通过将这种技巧添加到分支定界方案中,算法的性能将得到明显改善。
边界运算旨在获得初始问题(MFP)目标值的上下界。让LB(磅)(D类k个,µ)是(RFP)在μ第个次区域X(X)0×D类k个,μ和x个k个,μ=x个(X(X)0×D类k个,μ)是中相应的最佳解决方案k个第个算法的迭代。然后LB(磅)k个=最小值{LB(磅)(D类k个,μ) |μ= 1, 2, ⋯,秒k个}将是(MFP)目标值的新下界,以及每个最佳解决方案x个k个,μ对于(RFP)是(MFP)的可行解决方案。我们选择UB公司k个=
最小值{最大值μ{n个我(x个k个,μ)d日我(x个k个,μ)},v(v)¯}
作为新的最佳上界。
4.2算法声明和收敛性
基于上述章节中给出的结果和关键操作,解决EMFP问题以及MFP问题的新分支定界算法可以描述如下。
步骤0.(初始化)选择收敛容差ϵ>0,设置迭代计数器k个:=0,初始激活节点为Ω0=X(X)0×D类0.
求解区域上的初始凸松弛问题X(X)0×D类0,如果(RMFP)不可行,则(MFP)没有可行的解决方案。否则,将最佳值和解决方案表示为如果0和
x个o(o)第页t吨0
,然后我们可以分别获得MFP问题最优值的初始上界和下界,即,v(v):=
如果(x个o(o)第页t吨0),和v(v)_:=如果0,哪里如果(x个)=最大值{n个我(x个)d日我(x个)|我=1,2,⋯,第页}.
然后,如果v(v)−v(v)<ϵ,算法可以停止,并且
x个o(o)第页t吨0
是(MFP)的最优解,否则继续执行步骤1。
第1步.(减少)替换间隔端点
我n个+1k个和u个n个+1k个
通过使用还原技术(6).
第2步.(分支)分区D类k个根据中所述的调整规则分为两个新的子区间第4.1节。将新节点添加到活动节点集中,并将新分区间隔集表示为
D类~k个
.
步骤3(边界)对于每个仍感兴趣的分区X(X)0×D类k个,μ⊆X(X)0×D类,μ=1,2…,秒k个,获得RMFP问题对应结果区间的最优解和值D类k个,μ通过求解一些凸规划,如果LB(磅)(D类k个,μ) >v(v),或如果(x个k个,μ) <v(v)然后删除D类k个,μ从
D类~k个
否则,让LB(磅)k个=最小值{LB(磅)(D类k个,μ) |μ= 1, 2, ⋯,秒k个}和UB公司k个=最小值{如果(x个k个,μ),v(v)},然后我们可以如下更新下限和上限
v(v)_=:最大值{v(v)_,L(左)B类k个},v(v)_=:最小值{v(v)¯,U型B类k个},
然后让
Ωk个=(Ωk个∖X(X))⋃D类~k个
第4步(终止)出租
Ωk个+1=Ωk个∖{X(X)|如果(X(X))−L(左)B类(X(X))≤ϵ,X(X)∈Ωk个}.
如果Ωk个+1=∅,算法可以停止,v(v)是(MFP)的全局最优值。否则,设置k个: =k个+1,选择X(X)k个来自Ωk个具有
X(X)k个=argmin(最小值)X(X)∈Ωk个L(左)B类(X(X)),
然后返回步骤3。
定理4.1
该算法要么在有限迭代内终止,要么找到MFP的最优解,或生成无限迭代序列,以便沿着分支的任何无限分支-并结合树,序列的任何累积点{x个k个}将是(MFP)的全局最优解决方案.
证明
(1)如果提出的算法是有限的,它将在某些迭代中终止k个,k个≥ 0. 根据终止标准,可以知道
v(v)¯−v(v)_≤ϵ.
从步骤0和步骤3来看,这意味着
如果(x个k个)−L(左)B类k个≤ϵ.
让v(v)选择是MFP问题的最佳值。然后由第3节和第4.1节,我们知道
如果(x个k个)≥v(v)o(o)第页t吨≥L(左)B类k个.
因此,综合起来,它意味着
v(v)o(o)第页t吨+ϵ≥L(左)B类k个+ϵ≥如果(x个k个)≥v(v)o(o)第页t吨.
因此部分的证明(1)已完成。
(2) 如果算法是无限的并且生成了无限可行解序列
{(x个k个,x个n个+1k个)}
通过求解(RMFP)。让
x个n个+1k个=如果(x个k个),然后{(x个k个,x个n个+1k个)}
是(EMFP)的可行解序列。由于序列{x个k个}是有界的,它必须有累加,在不损失一般性的情况下,假设
林k个→∞x个k个=x个∗.
另一方面,由于n个我(x个)和d日我(x个),我们可以得到
林k个→∞x个n个+1k个=林k个→∞如果(x个k个)=如果(x个∗).
(7)
此外,根据前面描述的分支规则,我们可以看到
林k个→∞我n个+1k个=林k个→∞u个n个+1k个=x个n个+1∗.
(8)
还有,请注意
我n个+1k个≤如果(x个k个)≤u个n个+1k个,
采取(7)和(8)我们可以得出这样的结论
x个n个+1∗=林k个→∞如果(x个k个)=如果(x个∗)=林k个→∞x个¯n个+1k个.
因此
(x个∗,x个n个+1∗)
也是(EMFP)的可行解决方案。此外,由于下限序列LB(磅)k个因为最优值是递增的,并且最优值的下限是v(v)选择在算法中,结合x个n个+1,我们有
林k个→∞L(左)B类k个=x个n个+1∗≤v(v)o(o)第页t吨≤林k个→∞x个n个+1k个=x个n个+1∗.
那就是,
(x个∗,x个n个+1∗)
是(EMFP)的最佳解决方案,当然x个*根据问题(MFP)和(EMFP)的等价性,证明了问题(MFP)的最优解。□
5数值实验和结果
本节的目的是演示我们算法对MFP问题的计算性能。为此,在包含2.40 GHz Intel Core i5处理器和4GB RAM的个人计算机上进行了近期工作中的一些数值实验。代码库用Matlab2014a编写,并为线性松弛问题接口LINPROG。比较结果列于表1此外,为了评估所提算法的可行性和稳定性,本部分最后给出了一个随机生成的测试问题,并在中演示了随机实验结果表2,表3、和图2,图3。在本节中,所有问题均以1×10的相对/绝对最优容差解决−6,我们使用Iter、Nods和Time分别表示迭代次数、内存中存储的最大节点数和求解过程中所需的CPU时间。
表1
例子 |
方法 |
最佳值 |
最佳解决方案 |
Iter公司 |
节点 |
时间 |
1 |
[14] |
2.2801 |
(1.008333333,0.5,1.45) |
7 |
8 |
0.029 |
|
我们的 |
2.2801 |
(1.00833,0.500,1.4500) |
三 |
5 |
0.0109 |
|
2 |
[15] |
1.1616 |
(1.0, 0.55, 1.45) |
113 |
106 |
0.2352 |
|
我们的 |
1.1616 |
(1.0000,0.5500,1.4500) |
18 |
31 |
0.1332 |
|
三 |
[13] |
0.9899 |
(1.3453, 0.5000, 1.946) |
21 |
20 |
0.0557 |
|
[15] |
0.9891 |
(1.3398, 0.5000, 1.943) |
580 |
420 |
1.19123 |
|
我们的 |
0.9897 |
(1.3452,0.5000,1.9465) |
16 |
31 |
0.04986 |
|
4 |
[13] |
1.1181 |
(1.5049, 0.350, 1.550) |
20 |
20 |
0.0820 |
|
[15] |
1.1181 |
(1.5049, 0.350, 1.550) |
747 |
638 |
1.6861 |
|
我们的 |
1.1179 |
(1.5053,0.3500,1.5500) |
13 |
22 |
0.0641 |
|
5 |
[13] |
1.1186 |
(1.7539,0.350,1.550) |
2901 |
2534 |
6.5217 |
|
[15] |
1.1184 |
(1.7529, 0.350, 1.550) |
26 |
22 |
0.1488 |
|
我们的 |
1.1183 |
(1.7538,0.3500,1.5500) |
10 |
12 |
0.0835 |
|
6 |
[13] |
1.1186 |
(1.5, 1.5) |
6 |
7 |
0.0048 |
|
[15] |
1.1184 |
(1.5, 1.5) |
三 |
4 |
0.0068 |
|
[18] |
1.1184 |
(1.5, 1.5) |
1 |
- |
0 |
|
我们的 |
1.48951 |
(1.5, 1.5) |
1 |
1 |
0 |
|
7 |
我们的 |
0.3633 |
(0.3668,0.6332) |
9 |
17 |
0.0454 |
|
8 |
我们的 |
0.0742 |
(1.000,0.35) |
12 |
27 |
0.0638 |
表2
(p,m,n) |
方法 |
节点 |
时间(s) |
(5,4,3) |
[13] |
50 |
0.275 |
|
我们的 |
14 |
0.211 |
(6,5,5) |
[13] |
59 |
0.694 |
|
我们的 |
11 |
0.328 |
(7,5,6) |
[13] |
94 |
1.616 |
|
我们的 |
10 |
0.360 |
(7,5,7) |
[13] |
27 |
1.079 |
|
我们的 |
19 |
0.552 |
(9,6,7) |
[13] |
571 |
16.09 |
|
我们的 |
30 |
0.670 |
(9,7,10) |
[13] |
2172 |
49.68 |
|
我们的 |
24 |
0.723 |
(20,7,10) |
[13] |
12 |
1.847 |
|
我们的 |
20 |
0.623 |
(45,70,10) |
[13] |
12 |
6.381 |
|
我们的 |
6 |
0.455 |
(50,7,10) |
[13] |
33 |
1.623 |
|
我们的 |
三 |
0.322 |
表3
(p,m,n) |
方法 |
节点 |
时间(s) |
(2,1,5) |
[15] |
1809 |
2.83591 |
|
我们的 |
19 |
0.441 |
(2,3,5) |
[15] |
1811 |
3.63135 |
|
我们的 |
18 |
0.163 |
(3,3,5) |
[15] |
15978 |
64.1806 |
|
我们的 |
13 |
0.355 |
(4,3,3) |
[15] |
330 |
0.53731 |
|
我们的 |
20 |
0.523 |
(10,2,3) |
[15] |
112 |
0.3793 |
|
我们的 |
10 |
0.423 |
(11,3,3) |
[15] |
9213 |
42.2537 |
|
我们的 |
11 |
0.384 |
(12,3,5) |
[15] |
12804 |
143.786 |
|
我们的 |
28 |
0.702 |
(18,3,5) |
[15] |
1655 |
17.5244 |
|
我们的 |
16 |
0.523 |
(25,10,4) |
[15] |
677 |
17.5517 |
|
我们的 |
15 |
0.422 |
示例1
([14]).
最小值最大值{三x个1+x个2−2x个三+0.82x个1−x个2+x个三,4x个1−2x个2+x个三7x个1+三x个2−x个三,三x个1+2x个2−x个三+1.9x个1−x个2+x个三,4x个1−x个2+x个三8x个1+4x个2−x个三}秒.t吨.x个1+x个2−x个三≤1,−x个1+x个2−x个三≤−1,12x个1+5x个2+12x个三≤34.8,12x个1+12x个2+7x个三≤29.1,−6x个1+x个2+x个三≤−4.1,1≤x个1≤1.2,0.55≤x个2≤0.65,1.35≤x个三≤1.45.
示例2
([15]).
最小值最大值{2.1x个1+2.2x个2−x个三+0.81.1x个1−x个2+1.2x个三,31x个1−x个2+1.3x个三8.2x个1+4.1x个2−x个三}秒.t吨.x个1+x个2−x个三≤1,−x个1+x个2−x个三≤−1,12x个1+5x个2+12x个三≤40,12x个1+12x个2+7x个三≤50,−6x个1+x个2+x个三≤−2,1≤x个1≤1.2,0.55≤x个2≤0.65,1.35≤x个三≤1.45.
示例3
([13,15]).
最小值最大值{三x个1+4x个2−x个三+0.52x个1−x个2+x个三+0.5,三x个1−x个2+三x个三+0..59x个1+5x个2−x个三+05,4x个1−x个2+5x个三+0.511x个1+6x个2−x个三,5x个1−x个2+6x个三+0.512x个1+7x个2−x个三+0.9}秒.t吨.x个1+x个2−x个三≤1,−X(X)1+x个2−x个三≤−1,12x个1+5x个2+12x个三≤42,12x个1+12x个2+7x个三≤55,−6X(X)1+x个2+x个三≤−三,1≤x个1≤2,0.50≤x个2≤2,0.5≤x个三≤2
示例4
([13,15]).
最小值最大值{三x个1+4x个2−x个三+0.92x个1−x个2+x个三+0.5,三x个1−x个2+三x个三+0..59x个1+5x个2−x个三+05,4x个1−x个2+5x个三+0.511x个1+6x个2−x个三+0.9,5x个1−x个2+6x个三+0.512x个1+7x个2−x个三+0.9,6x个1−x个2+7x个三+0.611x个1+6x个2−x个三+0.9}秒.t吨.2x个1+x个2−x个三≤2,−2x个1+x个2−2x个三≤−1,11x个1+6x个2+12x个三≤45,11x个1+13x个2+6x个三≤52,−7x个1+x个2+x个三≤−2,1≤x个1≤2,0.35≤x个2≤0.9,1≤x个三≤1.55.
示例5
([13,15]).
最小值最大值{5x个1+4x个2−x个三+0.9三x个1−x个2+2x个三+0.5,三x个1−x个2+4x个三+0.59x个1+三x个2−x个三+0.5,4x个1−x个2+6x个三+0.512x个1+7x个2−x个三+0.9,7x个1−x个2+7x个三+0.511x个1+9x个2−x个三+0.9,7x个1−x个2+7x个三+0.711x个1+7x个2−x个三+0.9}秒.t吨.2x个1+2x个2−x个三≤三,−2x个1+x个2−三x个三≤−1,11x个1+7x个2+12x个三≤47,13x个1+13x个2+6x个三≤56,−6x个1+2x个2+三x个三≤−1,1≤x个1≤2,0.35≤x个2≤0.9,1≤x个三≤1.55.
示例6
([13,15,18]).
最小值
最大值
{
37
x个
1
+
73
x个
2
+
13
13
x个
1
+
13
x个
2
+
13
,
63
x个
1
−
18
x个
2
+
39
13
x个
1
+
26
x个
2
+
13
}
秒
.
t吨
.
5
x个
1
−
三
x个
2
=
三
,
1.5
≤
x个
1
≤
3
例7
最小值最大值{2x个12+x个22+2x个1x个2−三x个12−2x个22+4x个1x个2+14,x个12+x个1x个2+x个22+1−x个12+5}秒.t吨.x个12+x个22≤4,x个1+x个2≥1,
例8
最小值最大值{2x个12+三x个226−x个22,三x个12+x个22+4x个1x个2+0.5−9x个12+43}秒.t吨.2x个1+三x个2≤5,−2x个1+x个2≤−1,1≤x个1≤2,0.35≤x个2≤0.9.
示例9
([13]).
最小值最大值{∑我=1N个n个1我x个我+n个¯1∑我=1N个d日1我x个我+d日¯1,∑我−−1N个n个2我x个我+n个¯2∑我=1N个d日2我x个我+d日¯2,⋯,∑我=1N个n个第页我x个我+n个¯第页∑我=1N个d日第页我x个我+d日¯第页}秒.t吨.A类x个≤b条,0≤x个我≤三,我=1,2,⋯,N个.
在表1,我们提供了我们的算法与表中第二列中确定的其他一些方法的比较结果.可以看出,我们的算法在效率方面比其他算法表现得好得多.
在表2,随机试验结果与参考文献的比较[13] 已报告.我们还用双y证明了比较结果-轴折线图图2.发件人表2和图2,很容易看出,我们的方法比Jiao更稳定、更有效's方法.
在表3,随机试验结果与参考文献的比较[15] 已报告.我们还用双y证明了比较结果-轴折线图图3.发件人表3和图3,很容易看出,我们的方法比冯的表现要好得多'中的s方法[15].
6结束语
本文描述了MFP问题全局优化的一维结果分枝定界算法的有效实现。我们不使用线性化或凹包络技术,而是通过简单的算术运算构造了简明的凸松弛规划。这种松弛方法对于推广了各种文献中出现的线性情况的凹凸比问题更为实用和有效。此外,在算法方案中引入了一维自适应区间划分和约简技术,可以显著提高算法的性能。证明了算法的全局收敛性,并通过数值实验验证了算法的可行性和鲁棒性。
确认
作者衷心感谢责任编辑和匿名审稿人的宝贵意见和建议,这些意见和建议极大地改进了我们论文的早期版本。
参考文献
[1]Ahmad I.,Husain Z.,具有广义凸性的不可微极小极大分式规划的对偶性,应用。数学。计算。,2006, 176, 545-5512016年10月10日/j.amc.2005.10.002在谷歌学者中搜索
[2]Damaneh M.,关于带绝对值函数的分式规划问题,国际计算机杂志。数学。,2011, 88(4), 661-66410.1080/00207161003692903在谷歌学者中搜索
[3]朱杰,刘海,郝波,基于惩罚KK函数的NCP半光滑牛顿法,国际计算机学会。数学。,2012, 89(4),543-56010.1080/00207160.2011.644542在谷歌学者中搜索
[4]焦华,刘S.,线性比率和问题的一种实用分枝定界算法,Euro。《运营杂志》。2015年第243723-730号决议2016年10月10日/j.ejor.2015.01.039在谷歌学者中搜索
[5]Barrodale I.,最佳有理逼近与严格拟凸性,SIAM J.Numer。分析。,1973, 10, 8-1210.1137/0710002在谷歌学者中搜索
[6]Leber M.,Kaderali L.,A.Schnhuth,R.Schrader,高效DNA熔融温度计算的分数编程方法,生物信息学,2005,21(10),2375-238210.1093/生物信息学/bti379在谷歌学者中搜索公共医学
[7]Fasakhodi A.、Nouri S.、Amini M.,农业系统中的水资源可持续性和最佳种植模式:多目标分数目标规划方法,水资源管理。,2010, 24,4639-46572017年10月10日/11269-010-9683-z在谷歌学者中搜索
[8]Balasubramaniam P.,Lakshmanan S.,具有多面体和线性分数不确定性的中立型随机神经网络的延迟间隔依赖鲁棒稳定性准则,国际计算杂志。数学。,2011, 88(10), 2001-201510.1080/00207160.2010.537329在谷歌学者中搜索
[9]Goedhart M.,Spronk J.,《分数目标财务规划》。欧洲药典。研究,1995年,82(1),111-12410.1016/0377-2217(94)00034-A在谷歌学者中搜索
[10]丁凤,多变量系统的耦合最小二乘辨识,IET控制理论应用。,2013, 7(1),68-7910.1049/iet-cta.2012.0171在谷歌学者中搜索
[11]丁凤,用于hammerstein非线性系统建模的分层多新息随机梯度算法,应用。数学。型号。,2013, 37,1694-17042016年10月10日/j.apm.2012.04.039在谷歌学者中搜索
[12]刘毅,丁瑞,带滑动平均噪声的多输入多输出系统广义梯度辨识算法的一致性,国际计算机杂志。数学。,2013,90(9),1840-185210.1080/00207160.2013.772143在谷歌学者中搜索
[13]焦华,刘S.,极小极大线性分式规划的一种新的线性化技术,国际计算杂志。数学。,2014, 91(8), 1730- 174310.1080/00207160.2013.860449在谷歌学者中搜索
[14]冯琦,焦宏,毛宏,陈毅,最小和最大线性分式规划问题的一个确定性算法,国际计算杂志。智力。系统。,2011,4,134-14110.1080/18756891.2011.9727770在谷歌学者中搜索
[15]冯强,毛宏,焦宏,解决制造系统中一类数学问题的可行方法,重点工程技术人员。,2011,460-461,806-80910.4028/www.scientific.net/KEM.460-461.806在谷歌学者中搜索
[16]Crouzeix J.,Ferland J.,Schaible S.,广义分式程序的算法,J.Optim。理论应用1985,47135-1492007年10月10日/BF00941314在谷歌学者中搜索
[17]Freund R.,Jarre F.,带凸约束分式程序的内点方法,数学。程序。,1994, 67,407-4402007年10月10日/BF01582229在谷歌学者中搜索
[18]Phuong N.,Tuy H.,广义线性分式规划的统一单调方法,J.Global Optim。,2003. 26,229-25910.1023/A:1023274721632在谷歌学者中搜索
[19]Borde J.,Crouzeix J.,广义分式规划中dinkelbach型算法的收敛性,Z.Oper。决议,1987,31(1),A31-A542007年10月10日/BF01258607在谷歌学者中搜索
[20]Lin J.,Sheu R.,具有无穷多个比率的广义分式规划的修正dinkelbach型算法,J.Optim。理论应用。,2005,126(2), 323-34310.1007/s10957-005-4717-z在谷歌学者中搜索
[21]Jeyakumar V.,Li G.,Srisatkunarajah S.,鲁棒极小极大分式规划问题的强对偶性,Eur.J.Oper。研究,2013,228,331-33610.1016/j.ejor.2013.02.015在谷歌学者中搜索
[22]赖宏,黄涛,复变量不可微极小极大分式规划的最优性条件,J.Math。分析。申请。,2009,359, 229-2392016年10月10日/j.jmaa.2009年5月49日在谷歌学者中搜索