一般优化

混合整数非线性规划 (Mixed integer nonlinear programming，MINLP) 是在学术界及产业界广泛被运用的组合优化中的一支。例如，在电力行业和电信网路设计上的机组组合是自然地溷合整数非线性规划问题。然而，由于局部最优解的数量往往会随着问题的维度增加而呈指数级增长，因而混合整数非线性规划问题非常难求解。

目前，分支与定界 (Branch & Bound，B&B) 演算法及其变型(例如，分支与剪枝 (branch & cut，B&C)，综合分支与定界或启发式搜寻的分支与剪枝的混合方法) 是解决实际的混合整数非线性规划求解问题的最可行的工具。尽管它们受欢迎的程度很高，分支与定界相关的方法仍然面临着一些重大问题的困扰，即: 1) 在有限的时间内获得的解的准确性是不可预测的；2) 不能保证全域最优解；以及 3) 这些方法仍然是非常耗费时间的。解决这些问题将大大地提高分支与定界相关方法在求解大规模混合整数非线性规划问题上的可用性。

为此，我们开发了一系列新型方法，将TRUST-TECH方法用于加强和指导常规的分枝与定界搜寻。经过TRUST-TECH 加强的分支与定界法和经 TRUST-TECH 指引的分支与定界法能够使得解决方桉的品质强健性显着改善，而且通常均能得到全域最优的整数解。与此同时，计算效率亦能大大地提高。