English
管理与服务机构
机关部处 群团组织 直附属机构
教育与研究机构
岳麓书院 经济与贸易学院 金融与统计学院 法学院 马克思主义学院 教育太阳集团官方网站研究院 体育学院 中国语言文学学院 外国语学院 新闻与传播学院 数学学院 物理与微电子太阳集团官方网站学院 化学化工学院 生物学院 机械与运载工程学院 材料太阳集团官方网站与工程学院 电气与信息工程学院 信息太阳集团官方网站与工程学院 建筑学院 土木工程学院 环境太阳集团官方网站与工程学院 工商管理学院 公共管理学院 设计艺术学院 机器人学院 经济管理研究中心 化学生物传感与计量学国家重点实验室 国家高效磨削工程技术研究中心 汽车车身先进设计制造国家重点实验室 国家电能变换与控制国家工程技术研究中心 机器人视觉感知与控制技术国家工程实验室
校园生活
当前位置: 首页 >> 校园生活 >> 学术活动 >> 学院讲座 >> 正文
统计数据 / lectrue notice
  • 排序 学院 发文量
    1 机械与运载工程学院 207
    2 物理与微电子太阳集团官方网站学院 206
    3 岳麓书院 183
    4 化学化工学院 177
    5 材料太阳集团官方网站与工程学院 88
    6 数学与计量经济学院 88
    7 土木工程学院 75
    8 信息太阳集团官方网站与工程学院 68
    9 教务处 47
    10 建筑学院 40
  • 排序 学院 发文量
    11 生物学院 40
    12 经济与贸易学院 38
    13 电气与信息工程学院 36
    14 工商管理学院 28
    15 外国语学院 15
    16 法学院 15
    17 新闻传播与影视艺术学院 9
    18 研究生院 9
    19 经济与管理研究中心 6
    20 马克思主义学院 5
    21 中国语言文学学院 4
数学院:Solving Large Scale Linear Programming
学术地点 数学院203 主讲人 孙德锋 讲座教授 (香港理工大学应用数学系系主任,应用优化与运筹学讲座教授)
讲座时间 2019年12月25日下午2:30-3:30

报告题目: Solving Large Scale Linear Programming

报告人: 孙德锋 讲座教授 (香港理工大学应用数学系系主任,应用优化与运筹学讲座教授)

时间:2019年12月25日下午2:30-3:30

地点:数学院203

报告摘要: Powerful interior-point methods (IPMs) based commercial solvers have been hugely successful in solving large-scale linear programming (LP) problems. The high efficiency of these solvers depends critically on the sparsity of the problem data and advanced matrix factorization techniques. For a large scale LP problem with data matrix A that is dense (possibly structured) or whose corresponding normal matrix AAT has a dense Cholesky factorization (even with re-ordering), these solvers may require excessive computational cost and/or extremely heavy memory usage in each interior-point iteration. Unfortunately, the natural remedy, i.e., the use of iterative methods based IPM solvers, although can avoid the explicit computation of the coefficient matrix and its factorization, are not practically viable due to the inherent extreme ill-conditioning of the large scale normal equation arising in each interior-point iteration. To provide a better alternative choice for solving large scale LP problems with dense data, we propose a semismooth Newton based inexact proximal augmented Lagrangian (Snipal) method. Numerical comparisons with Gurobi have demonstrated encouraging potential of Snipal for handling large-scale LP problems.

报告人简介:孙德锋教授分别于1989年和1992年从南京大学获得学士及硕士学位,于1995年从中国太阳集团官方网站院获得博士学位,此后在澳大利亚新南威尔士大学完成博士后研究工作。孙教授从2000年开始在新加坡国立大学数学系任教,2009年升任正教授,2017年进入香港理工大学工作。他长期从事最优化方向的研究,目前已发表百余篇科研论文,其中40余篇发表在优化领域最顶尖杂志《Mathematical Programming》和《SIAM Journal on Optimization》中。此外,他还主持开发了一系列求解大规模复杂优化问题的软件,这其中包括在金融领域得到了广泛应用的协方差矩阵校正的程序,求解大规模半定规划问题的SDPNAL/SDPNAL+,以及大规模统计优化问题的软件包SuiteLasso等。2018年,在本领域最具权威的数学规划国际会议上,他获得国际数学优化学会颁发的 Beale-Orchard-Hays计算优化奖(数值最优化方向的最高奖项,每三年评选一次)。他曾受邀在2011年德国举办的SIAM优化国际会议中作大会报告,并将在2021年 SIAM Conference on Computational Science and Engineering (CSE21) 作大会报告。他积极从事着多项学术方面的专业活动,担任2016年第5届国际连续优化会议程序委员会委员,2019年第16届国际连续优化会议程序委员会委员,以及 2020年美国工业与应用数学学会最优化会议 ''SIAM OP20" 的大会(程序)共同主席以及本地组委会共同主席。他曾于2010至2013 年担任《Asia-Pacific Journal of Operational Research》杂志的主编,于2014至2017年担任《Mathematical Programming, Series B》的编委,在当前担任《Mathematical Programming, Series A》,《SIAM Journal on Optimization》,《中国太阳集团官方网站–数学》,《Journal of the Operations Research Society of China》以及《Journal of Computational Mathematics》的编委。

上一条:研究生院:大数据与优化
下一条:数学院:Mathematical Optimization and 5G Mobile Communication System Design

湖大抖音
湖大微信
湖大微博
XML 地图 | Sitemap 地图