通过本课程的学习，学生初步学会用Matlab软件做数值计算、解优化模型、解图论问题；初步理解并上机操练下列数值计算方法：方程求解、迭代法、微分方程求解、插值法、曲线拟合、回归分析、计算机模拟、线性规划与非线性规划、图论中的最小生成树和最短路径；初步学会用数学建模的方法解决一些实际问题

5.1 最优性条件 5.2 最速下降法 5.3 Newton法及其修正 5.4 共轭梯度法 5.5 变尺度法 5.6 直接算法

一 LINGO软件简介 二 线性优化问题 三 整数规划问题 四 0-1规划问题 五 非线性优化问题 六 目标规划问题

针对求解一类二层多目标规划问题,首先将其转化为等价的单目标规划问题,然后利用遗传算法优化的反演性和混沌优化方法的遍历性,并结合精确罚函数求解非线性约束优化问题,提出了求解此类问题的混沌遗传算法.该方法能够有效改善遗传算法的局部搜索能力和搜索精度,求解精度和可靠性较高.实际算例表明,算法是有效可行的

第八章动态规划 一、动态规划 Dynamic Programming 研究多阶段决策的最优化问题的方法。 二、多阶段决策问题含有一个描述过程时序或空间演变的阶段变量,将复杂问题划分成若干阶段,根据“最优性原理”, 逐段解决而最终实现全局最优。 三、经济、管理、工业生产、工程技术等领域,许多问题可归结为多阶段决策问题。 四、一些用线性规划、非线性规划处理有困难的问题,往往可以用动态规划方便地求解。 五、动态规划是美国运筹学家贝尔曼(R. Bellman)等人1959年提出的

鉴于边坡系统影响因素之间的高度非线性和不确定性,融合RS-GP模型的优势,提出了依据边坡稳定性影响因素类比计算边坡安全系数的方法.该方法通过学习样本的数据特征分析、计算属性的重要性及约简规则,降低了遗传规划预测模型的结构规模.人工神经网络(ANN)模型与RS-GP模型计算结果比较表明:该方法具有计算速度快、容错能力强及精度高等特点

1 感知机存在的一个问题 2 线性可分 SVM SVM 的种类 函数间隔和几何间隔 学习的原始最优化问 题 凸优化问题 线性可分 SVM 学习算 法—最大间隔法 支持向量与间隔边界 拉格朗日对偶性 KKT 条件 线性可分 SVM 学习的 对偶算法 3 线性不可分 SVM 线性 SVM 学习的对偶 算法 线性 SVM 学习算法 线性不可分时的 SV 合页损失函数 4 非线性 SVM 与核函数 希尔伯特空间 核函数的定义 核函数的选取 核技巧在 SVM 中的应 用 非线性 SVM 算法 5 序列最小最优化算法 SMO 算法的基本思路 两变量二次规划的求 解方法 两个变量的选择方法

近年来路径跟踪控制的发展十分迅猛，研究者们发表了大量的研究成果。考虑到在相同或相近工况下的路径跟踪控制存在一些共性的技术问题与解决思路，从低速路径跟踪控制和高速路径跟踪控制两个角度对近年来的研究成果进行了回顾。在关于低速路径跟踪控制的研究工作中，研究者们较为重视前轮转角速度约束等系统约束对路径跟踪精确性的影响。目前减少系统约束影响的方法包括在规划参考路径时将系统约束纳入考虑，采用预瞄控制使控制器提前响应，以及采用线性模型预测控制（LMPC）或非线性模型预测控制（NMPC）等模型预测控制方法作为路径跟踪控制方法等。考虑到NMPC既能减少系统约束的影响，又无需人为设置预瞄距离，且对定位误差等扰动因素具有较强的鲁棒性，加之低速路径跟踪控制对实时性的需求较低，因此可以认为NMPC能够满足低速路径跟踪控制的绝大多数需求。高速路径跟踪控制在受系统约束影响之外，还面临着较高车速带来的行驶稳定性不足问题的挑战，因此常采用能够将动力学层面的复杂系统约束纳入考虑且计算成本较低的LMPC作为路径跟踪控制方法。不过仅采用动力学层面的LMPC控制方法无法完全解决高速路径跟踪控制中路径跟踪精确性和车辆行驶稳定性之间存在耦合的问题，目前常见的解决思路是在路径跟踪控制中加入额外的速度调节或权重分配模块。此外，在高速路径跟踪控制中，地面附着系数等环境参数的影响也较大，因此地面附着系数等环境参数的估算也成为了高速路径跟踪控制领域的重要研究方向

§1 引言 §2 对策问题 §3 零和对策的混合策略 §4 零和对策的线性规划解法 §5 二人非常数和对策

线性规划问题 一、线性规划主要解决有限资源的最佳分配问题 二、决策变量 决策变量的取值要求非负。 三、约束条件 存在一组决策变量构成的线性等式或不等式的约束条件。 四、目标函数 存在唯一的线性目标函数(极大或极小)。 五、求解方法: 图解法 单纯形解法