在之前诸多文献提到过：可微函数的约束优化问题等价于其梯度函数的约束变分不等式问题.对于此类问题，学者们已经提出了许多行之有效的算法，如：罚函数法、增广Lagrange乘子法、投影梯度方法、交替方向法等.然而，我们通过构造约束优化问题的Lagrange函数及KKT条件可构造出线性逆变分不等式IVI(Ω，f)问题，从而实现间接求解.何炳生教授受Goldstein投影方法的启发，在[14]中提出了逆变分不等式的投影收缩算法.该方法对于某个特定问题需要探求最优步长β.本文从逆变分不等式问题的三个基本不等式出发，推导出重要不等式，并因此得到一个下降方向，从而可以构造迭代格式.在对参数β引入自调比技术之后，得到一种求解线性逆变分不等式的投影收缩算法.这种方法不需要事先指定参数，所以适用范围更广，操作更简便.数值结果表明：自调比投影收缩算法与固定步长的投影收缩算法[14]及交替方向法[18]相比，迭代次数有了较大改进。适用范围增大，具有很好的现实意义.在运输问题[3][4]、经济平衡问题[5][13]和交通平衡问题[23]上都有很广泛的运用.　　 本文分为五个章节：第一章，简要介绍本文将要考虑的问题及求解此类问题已有的算法。然后介绍如何把约束优化问题转化为逆变分不等式问题；第二章，介绍逆变分不等式和投影的定义、常见简单凸集上如何实现投影、证明中常用的不等式、逆变分不等式的投影方程、与变分不等式问题之间的关系和IVI(Ω，f)的三个基本不等式等；第三章，重点探讨怎样由不等式构造自调比投影收缩算法、算法性质、算法框架以及收敛性证明；第四章，以带二次约束的二次规划问题为例，用三种不同的方法生成问题，把自调比方法和固定参数投影收缩算法、交替方向法作比较，最后分析数值结果，总结自调比算法的优点；第五章，总结全文，提出尚待考虑的问题.