一种新颖的l1精确罚函数方法及其应用

《Symmetry》：A Novel l1 Exact Penalty Function Method and Its Application

　　

罚函数方法（Penalty function methods）是求解约束优化问题（constrained optimization problems）的基础，然而广泛使用的??₁精确罚函数（??₁ exact penalty function）不可微，因此无法与基于梯度的算法（gradient-based algorithms）兼容。本文提出了一种连续可微的光滑逼近（smoothing approximation），它保留了原始罚函数的精确性（exactness），同时能够实现高效的数值求解。所提出的光滑函数在?上被证明是??¹的，具有显式误差界（explicit error bounds）和一个可计算的罚参数下界（computable lower bound for the penalty parameter），该下界在标准约束规格（standard constraint qualifications）下保证了精确性。研究人员开发了一种迭代算法并证明了其收敛性。在基准问题（benchmark problems）上的数值实验验证了该方法的有效性。随后，该方法被应用于一个政策驱动的大学财务风险管理模型（policy-driven university financial risk management model），该模型包含十二个决策变量、三个相互冲突的目标以及多个监管约束。结果表明，与传统的非光滑罚方法（non-smooth penalty method）相比，该方法收敛更快且目标值更优，证实了所提出光滑技术的实际效用。

**论文解读：一种新颖的??₁精确罚函数光滑逼近方法及其在高校财务风险管理中的应用**

**研究背景与问题**

约束优化问题广泛应用于经济学和公共管理领域。罚函数方法（Penalty function methods）是求解此类问题的基本手段之一，其核心思想是将约束问题转化为无约束问题，通过在目标函数中添加惩罚项来约束违反。经典的二次罚方法要求罚参数趋于无穷才能恢复精确解，易导致数值病态。相比之下，精确罚函数（exact penalty function）能够在有限罚参数下获得真实解，克服了二次罚方法的数值不稳定性。然而，最常用的??₁精确罚函数在约束边界处不可微，无法直接使用基于梯度的优化算法，这严重限制了其在实际问题中的应用。

现有光滑逼近方法虽已取得进展，但多数方法仅提供定性或隐式的罚参数阈值估计，缺乏可计算的下界，且近年来的研究主要针对凸性工程优化问题，对非凸、多耦合约束的大学财务系统关注不足。因此，开展一项既能保持??₁精确罚函数精确性，又能提供可计算罚参数下界、并适用于实际复杂财务风险模型的光滑逼近研究，具有重要的理论价值和实践意义。

**研究内容与结论**

本文提出了一种连续可微的光滑逼近函数，该函数保留了原始??₁精确罚函数的精确性，同时使得基于梯度的优化算法得以应用。研究人员在标准约束规格——线性独立约束规格（Linear Independence Constraint Qualification, LICQ）下，推导出了罚参数的可计算下界，并给出了显式误差界。基于该光滑函数，设计了一种迭代算法（Algorithm 1），并证明了其收敛性。在四个标准基准问题上的数值实验表明，该算法在有限迭代次数内获得了优于或等于现有文献的最优解。随后，该方法被应用于一个基于真实监管规则的多变量、多目标、多约束的大学财务风险管理模型，该模型包含十二个决策变量、三个相互冲突的目标（综合财务风险最小化、资金利用效率最大化、财务可持续性最大化）以及五类约束（变量区间约束、常规监管约束、相关性约束、财务等式约束和机会约束）。实验结果显示，相较于传统非光滑??₁罚方法，所提算法收敛更快（3次迭代 vs. 8次迭代），且三个目标值均得到改善：综合财务风险降低1.7%，资金利用效率提高3.9%，财务可持续性提高1.0%。该论文发表在《Symmetry》。

**主要关键技术方法**

研究人员采用了以下关键方法：（1）构造了一种分段三次多项式与指数函数相结合的光滑逼近函数，该函数在?上连续可微（??¹），并具有显式误差界；（2）基于线性独立约束规格（LICQ）推导了罚参数的可计算下界，该下界由活跃约束的拉格朗日乘子最大值决定；（3）设计了一种迭代算法，通过逐步减小光滑参数并增大罚参数，逼近原约束问题的精确解，并利用梯度下降法（满足一阶最优性条件）求解每一步的光滑无约束子问题；（4）在算法中采用了启发式参数初始化策略（如初始罚参数和光滑参数的选择及更新因子），以平衡收敛速度与逼近精度。所有数值实验在MATLAB R2022A中实现，基准问题选自文献，财务模型变量和约束系数来自公开的监管框架和公立大学运营标准。

**研究结果**

**Section 4 数值算例**
- **Example 1**：通过算法1求解问题G₁，初始条件为??⁰=(10,10)^T，经3次迭代得到近似全局最优解(5.0443,1.1860)^T，目标函数值-0.8989，优于文献[11]的-0.5200、[13]的-0.8889和[18]的-0.8900，展示了算法在标准问题上的最优性优势。
- **Example 2**：求解问题G₂，初始点(5,5)^T，经4次迭代得最优解(1.0000,4.7429)^T，目标值-1.0000，与文献[18]一致，验证了算法精度。
- **Example 3**：求解问题G₃，初始点(10,10)^T，经5次迭代得最优解(2.0000,1.0000)^T，目标值-1.0000，优于文献[13]的-0.9950，同时与文献[11]的-1.0000一致。
- **Example 4**：求解问题G₄，初始点(1,1)^T，经3次迭代得最优解(0.0000,1.0000)^T，目标值-0.2500，略优于文献[19]的-0.2480，证实了算法的数值稳定性。
以上四个例子共同表明，所提出的光滑??₁精确罚算法在标准基准问题上实现了更优或持平的最优值，且收敛迅速，验证了其基础数值可靠性和计算效率。

**Section 5 大学财务风险优化应用**
- **5.1 决策变量定义**：定义了12个归一化到[0,1]的财务风险指标，涵盖预算调整比率、资本项目未完成率、非法融资风险系数、结转结余资金逾期率、科研资金闲置率、国有资产闲置率、财政拨款依赖度、社会捐赠与自筹收入比率、短期债务比率、流动比率、投资回报波动系数、人员经费支出比率。
- **5.2 目标函数**：构建了加权二次型综合目标（含交叉耦合项），加权和法将三个冲突目标（风险最小化、效率最大化、可持续性最大化）转化为单一复合目标，权重由地方高校财务监管专家综合评分确定。
- **5.3 约束条件**：包含变量区间约束、常规监管约束（如财政拨款依赖度≥40%且≤80%等）、相关性约束（如预算调整与项目未完成率耦合）、财务等式约束（收支平衡）、机会约束（采用最坏情况确定性等价形式）。
- **5.5 可行性分析**：收敛后，两种算法得到的解均严格满足所有约束，所有指标处于合规范围内。最终最优解为：??*=(0.0982,0.6987,0.2488,0.1498,0.1995,0.1995,0.4000,0.2500,0.3999,1.2000,0.1000,0.2488)^T。
- **5.6 算法性能对比**：传统非光滑??₁罚方法需8次迭代，而光滑算法仅需3次迭代；综合财务风险从0.252676降至0.248311（降1.7%），资金利用效率从0.332416升至0.345300（升3.9%），财务可持续性从0.657399升至0.664026（升1.0%）。复合目标值从-0.7420升至-0.7610，证实了光滑算法在收敛速度和求解精度上的全面优势。

**总结讨论与结论**

本文提出了一种用于??₁精确罚函数的连续可微光滑逼近，并将其应用于非线性约束优化问题。该光滑函数保留了精确性，同时支持梯度计算，在标准约束规格下推导了显式误差界和可计算的罚参数下界。研究人员开发了迭代算法并证明了收敛性。基准问题上的数值实验验证了算法的有效性，而通过一个政策驱动的大学财务风险管理模型（12个决策变量、3个冲突目标、多个监管约束）展示了其实际应用价值。结果证实，与传统非光滑方法相比，所提方法收敛更快、解更优。然而，该方法依赖于梯度信息，且性能受启发式参数初始化影响；财务应用为模型驱动，有待机构数据验证。未来工作将聚焦于自适应参数策略、扩展到低阶罚函数以及大规模实际应用。