本文根据文献次梯度聚集原理,构造一个求解问题min max x∈k N1<i<nf_i(x)的新算法。其中f_i:R^N→R^1是局部Lipschitz凸函数(不一定可微,i=1,2,…,n)。此方法简化了[5]的方法。同时提出了一种基于Armijo策略的线性搜索方法,在目...本文根据文献次梯度聚集原理,构造一个求解问题min max x∈k N1<i<nf_i(x)的新算法。其中f_i:R^N→R^1是局部Lipschitz凸函数(不一定可微,i=1,2,…,n)。此方法简化了[5]的方法。同时提出了一种基于Armijo策略的线性搜索方法,在目标函数有下界的假设下证明了算法的整体收敛性。展开更多
文摘本文根据文献次梯度聚集原理,构造一个求解问题min max x∈k N1<i<nf_i(x)的新算法。其中f_i:R^N→R^1是局部Lipschitz凸函数(不一定可微,i=1,2,…,n)。此方法简化了[5]的方法。同时提出了一种基于Armijo策略的线性搜索方法,在目标函数有下界的假设下证明了算法的整体收敛性。
