文档介绍：中文摘要本文针对大规模非线性优化问题研究了有限内存序列二次规划方法,算法以序列二次规划和积极集的预测为基础,使用保持正定性的有限内存对称秩1校正()更新近似Hessian阵,结合Jacobian阵的半正规近似,,,由于使用L-SRl的紧凑表示形式,仅需存储一些低维矩阵便可完成Hessian阵相关计算。为简化计算,在Mangasarian-Fromovitz约束规范条件下,我们构造的指示函数可以较准确地预测最优解处积极集,而不需要严格互补松弛条件成立,所以基于积极集的预测,算法仅需考虑等式约束的非线性优化问题;当积极集确定后,充分利用近似Hessian阵的特殊结构以及Jacobian阵的半正规近似,我们提出了计算复杂度较低的求解KKT系统新方法;最后,以低秩Cholesky分解校正为基础,提出了在存储校正向量或预测积极集变化时存储项的更新方法,-SRl算法和预测积极集方法的有效性,:序列二次规划;有限内存方法;对称秩l校正:积极集预测分类号:.-likesolverwithlimitedmemoryforlarge-·,thealgorithmemploysL-SRlupdateswhichmaintainingpositivedefinitenessoftheHessianandsemi-,weproposeadjustmentstrategyformaintainingpositivedefinitenessoftheL—,wejustneedtostoresomelowdimensionalmatrixeswhencalculateHessian-,weIn'stgivethedefinitionofidentificationfunctionwhichCanidentifyactiveconstraintsundertheassumptionofMFCQandwhichdoesn’,weonlyneedtoconsidertheequality-—SRlHessianandsemi-normalJacobianapproximations,,-rankcholeskyupdate,—:Sequencequadraticprogramming;limitedmemorymethods;symmetricrank-oneupdates;identificationofactiveconstraintsCLASSNO:,论文的成稿得到了导师以及学院许多老师的帮助,在我的两年的学习生活中也得到了身边同学的关心,在此我对老师、同学表示衷心的感谢!王周宏教授循序渐进地将我引入最优化的前沿研究中,从认识之初,王教授对教学、研究工作的严谨态度,对学生的耐心教