1) best penalty function
最优罚函数
2) best function
最优函数
3) optimality function
最优性函数
1.
Each subproblem is relaxed and the optimality function is presented by using the minimax function.
应用图论、群论等,把该问题分解为有限多个子问题,在每个子问题中克服了优化变量的时断时续性质,并将子问题松弛化,利用极大极小函数给出了松弛子问题的最优性函数,该函数在其零点使松弛子问题的一阶必要条件成立。
2.
The conclusion of equivalence between the optimality function and the one-order optimality condition is concluded.
论述了最优性函数与一阶最优性条件的等价性。
3.
The contents include the layout optimization models of the difform graph elements, the optimality conditions , the optimality functions, the optimization algorithms for the subproblems, the algorithms for the non-overlap constraints and the unproved genetic algorithm.
主要包括不同图元的布局优化模型、子问题的最优性条件、最优性函数和优化算法、判断不干涉性算法及改进的遗传算法。
4) optimal value function
最优值函数
1.
Firstly,the mixed-integer bi-level programming is transformed into a single level continuous optimization problem by virtue of penalty function concept and optimal value function tool.
利用罚函数思想和最优值函数的概念将混合整数双层规划转化为连续变量的单层非线性规划,然后用事先确定步长的凸组合算法迭代求解此单层非线性规划,进而得到原双层规划的局部最优解。
2.
In the paper,We define a kind of continuous concepts of optimal value function on point-to-set maps and discuss the continuity of optimal value function on point-to-set maps.
给出了集值映射的连续性概念,讨论了集值映射上最优值函数的连续性,给出在不等式约束、等式和不等式约束情况下最优值函数的连续性定理,并针对最优值函数的方向导数给出了一个在新的约束规格条件下,最优值函数的连续性定理。
3.
A set of first-order necessary optimality conditions based on the the upper and lower bounds of directional derivatives of the optimal value function of lower problem are proposed.
首先,利用下层问题最优值函数的方向导数的上下界的性质给出一阶最优性条件。
5) optimized value
函数最优值
6) function optimization
函数最优化
1.
Experiments were taken on typical function optimization.
通过对典型测试函数最优化问题的求解试验,证明了该算法的有效性和优良性能,其全局收敛速度和最优解的质量明显高于标准遗传算法。
补充资料：罚函数法
分子式：
CAS号：
性质：求解带约束非线性规划的一种数值解法。它是通过将原规划问题中的约束条件乘以一定的惩罚因子后加入到原目标函数中构成新的目标函数，从而使条件极值问题转化为无约束极值问题。由于惩罚因子的加入，任何对约束条件的背离将受到“惩罚”而使目标函数增加，当惩罚因子足够大时，只有惩罚项趋于零，即所有约束条件得到满足时，新的目标才能取得极小值，此时新问题的解就是原问题的解，且满足给定的约束条件。
CAS号：
性质：求解带约束非线性规划的一种数值解法。它是通过将原规划问题中的约束条件乘以一定的惩罚因子后加入到原目标函数中构成新的目标函数，从而使条件极值问题转化为无约束极值问题。由于惩罚因子的加入，任何对约束条件的背离将受到“惩罚”而使目标函数增加，当惩罚因子足够大时，只有惩罚项趋于零，即所有约束条件得到满足时，新的目标才能取得极小值，此时新问题的解就是原问题的解，且满足给定的约束条件。
说明：补充资料仅用于学习参考，请勿用于其它任何用途。
参考词条