mino(x,2,y)=f(x)+∑砖(g、(x)+y2)+(g,(x)+y2)2] (17) 而(13)式变成 2 +M(g (18) 其中M4>0,Mk→>+∞(k→∞) 设法消去松弛变量y不难证明(只须令V9(x,,y)=0)(17)右端的和式中的各项,当y满 足下式时取最小值: ∫一/M,当Mg(x)+才≤0 (x),当Mg,(x)+2>0 代入(17)得 ∑{对+Mg 代入(18)得: =mx对+Mg(x)}1=1…,m (21 而结束准则可采用 (g(x3)+y1)=∑|mxgx) 对于一般非线性优化问题,可类似地推出相应结果。 有人采用异于(13)的乘子迭代公式 k-1 +=x2+Mh(x2)+ h(r)-h(r-l)n(re) (23) 在加速迭代收敛方面取得了很好的计算结果 还有把乘子表示成ⅹ的函数的,如 Polak乘子法这里就不介绍了198 min ( , , ) ( ) [ ( ( ) ) ( ( ) ) ] 2 2 2 2 1 i i M i i k i m i k x y = f x +  g x + y + g x + y =    （17） 而（13）式变成 M g x yi i m k k i k j k j ( ( ) ) 1, ,  +1 =  + + 2 =  （18） 其中 Mk  0,Mk → + (k → ). 设法消去松弛变量 y.不难证明（只须令  (x, , y) = 0 k y  ）（17）右端的和式中的各项，当 i y 满 足下式时取最小值：    +  − +  + = ( ), ( ) 0 / , ( ) 0 ( ) 2 k i i i k i i k i i i g x Mg x M Mg x g x y    当 当 （19） 代入（17）得    2 2 1 2 1 min ( ) max 0, ( ) ( ) k i i k i m i M  = f x +   + Mg x −  = （20） 代入（18）得：  M g x  i m K k i k i k i max 0, ( ) , 1, ,  +1 =  + =  （21） 而结束准则可采用 2 1 2 2 2 1 ( ( ) ) max( ( ), )           + =  − = = m i k k i i i k i m i M g x y g x （22） 对于一般非线性优化问题，可类似地推出相应结果。 有人采用异于（13）的乘子迭代公式： ( ) ( ) ( ) ( ) 1 1 1 k k k k k k k k h x h x h x Mh x − − + − − = + +     （23） 在加速迭代收敛方面取得了很好的计算结果。 还有把乘子表示成 x 的函数的，如 Polak 乘子法这里就不介绍了