一种新的谱共轭梯度法及其全局收敛性

共轭梯度法因具有迭代简单、收敛性和低内存等优点而在求解大型优化问题中发挥着重要作用。本文对文献[6]中的共轭参数RMILk进行改进，得到了一种新的谱共轭梯度法。该方法每步迭代产生的搜索方向具有下降性。在适当的条件下，该方法在Armijo 线搜索和 Wolfe 线搜索下均具有全局收敛性。数值试验表明，该方法可行有效。
     

具有充分下降性的修正型混合共轭梯度法

基于已有的共轭梯度法思想,分别对两种混合共轭梯度法的搜索方向进行修正,使得新的修正型混合共轭梯度法在每步迭代都不依赖于任何线搜索而自行产生充分下降方向。在适当的条件下,证明了新算法在Wolfe线搜索下的全局收敛性。数值实验表明该方法是有效的。     

Wolfe线搜索下的修正FR谱共轭梯度法

对无约束优化问题的谱共轭共轭梯度法,提出修正的FR共轭参数和谱参数,使每次迭代均自行产生下降方向,且这一下降性不依赖于任何线搜索条件。在常规假设下,证明了采用Wolfe线搜索的新算法具有全局收敛性。相关的数值实验结果表明该谱共轭梯度法是有效的。     

新Armijo线搜索下的FR共轭梯度法及其收敛性

描述了一种在新Armijo线搜索下的Fletcher-Revees(FR)共轭梯度法,并分析了其收敛性,从理论上证明了借助新的Armijo线搜索,FR共轭梯度法不仅可保证在每步迭代中都容易找出步长,而且可保证全局收敛性.     

基于修正BFGS的新混合共轭梯度法

基于Yuan及Li和Fukushima提出的两类修正割线方程,对Saman Babaie-Kafaki及合作者提出的混合共轭梯度法的搜索方向进行修正,产生在迭代过程中不依赖于任何线搜索而具有充分下降方向的新混合共轭梯度法.在适当的假设下,证明了新算法的全局收敛性.数值结果表明该方法是有效的.     

一类具有充分下降性修正的DL共轭梯度法

基于DL共轭梯度方法,提出了一类修正的DL方法来解决无约束优化问题.该方法相对于DL共轭梯度方法具有一个更好的性质,即在强Wolfe线搜索条件下搜索方向具有充分下降性;证明了该方法在强Wolfe线搜索条件具有全局收敛性.     

一类具有充分下降性的DL共轭梯度法

针对无约束优化问题,利用两项共轭梯度法(DL方法)去逼近改进的HS三项共轭梯度法,提出了改进的DL共轭梯度法即MDL共轭梯度法.该方法相对于DL方法具有一个更好的性质,即该共轭梯度法的搜索方向不依赖任何线搜索就可满足充分下降条件,理论上证明了该方法在Wolfe线搜索条件下对一般函数具有全局收敛性.     

一种修正的DY共轭梯度法及全局收敛性

为寻求同时具有良好的收敛性和数值表现的共轭梯度法,在Wolfe线搜索下,构造一种修正的DY共轭梯度法.该算法产生的搜索方向为充分下降方向,这一性质与所采用的线搜索方法无关.在Wolfe线搜索的条件下证明该算法具全局收敛性.研究结果表明:算法是有效的,尤其对大规模无约束优化问题.     

一类改进的谱共轭梯度法

谱共轭梯度法是在共轭梯度法基础上发展起来的新型算法,其特点是有两个方向控制 参数,是解决大规模无约束优化问题的有效方法,也是优化工作者研究的热点。本文基于已有的 非线性谱共轭梯度法提出了一类新的谱共轭梯度法,利用新构造的共轭方向调控参数βk构建了新 的算法,并保证了该算法在任何线搜索下都满足共轭条件,进而在迭代时产生的搜索方向都是充 分下降的。在Wolfe线搜索下,该方法的全局收敛性得以验证。     

一类新合成的共轭梯度算法

结合已有修正的DY共轭梯度方法和修正的HS共轭梯度方法的优点,提出了一种求解无约束优化问题的新共轭梯度方法,证明了该算法具有全局收敛性,同时还证明了该算法在强Wolfe线搜索下具有充分下降性。     

具有充分下降性的共轭梯度法及其收敛性

提出了一类新的共轭梯度方法.该方法无需线搜索而具有充分下降性,在Wolfe-Powell线搜索下该方法具有全局收敛性.数值试验表明该方法具有良好的数值结果.     

Wolfe线搜索下的一类新的共轭梯度法

给出了解无约束最优化问题的共轭梯度法的一个新的迭代参数,得到一种新的共轭梯度法,并在Wolfe线搜索下,证明了算法的全局收敛性。     

一类修正LS谱共轭梯度法的全局收敛性 (运筹学与控制论)

谱共轭梯度法是一类将共轭梯度法和谱梯度法相结合的方法。2001年由Birgin和Martinez首先提出,但该方法不能保证始终产生下降方向。本文用已有的修正方法,给出一个修正的Liu-Storey公式,并结合谱梯度法,提出了一个具有充分下降性的修正Liu-Storey谱共轭梯度法,证明了该方法在标准Armijo非精确线搜索下的全局收敛性,并易推知该方法在Armijo-Goldstein非精确线搜索准则下同样满足全局收敛性。给出的数值实验表明,新算法略优于LS方法。     

在Armijo线搜索下WYL方法的全局收敛性

提出一种新Armijo型线搜索,并证明了在此搜索下一种新共轭梯度算法具有全局收敛性.新Armijo型线搜索能够使新的共轭梯度算法找到合适的初始步长,从而使它能够更好地运行.数值试验表明在新Armijo型线搜索下的该方法是有效的.     

基于Armijo型线搜索下的谱共轭梯度法

在WYL共轭梯度法的基础上,提出了一种新的谱共轭梯度法,并且证明了该方法在Armijo线搜索下具有充分下降性和全局收敛性.数值试验表明该方法是有效的。     

求解无约束优化问题的一种新方法

提出求解无约束优化问题的一种新的共轭梯度公式,证明该公式在精确线搜索、GL线搜索和WWP线搜索下具有全局收敛性.数值试验表明该方法是有效的.     

修正LS共轭梯度方法及其收敛性

提出了一种有效的修正LS共轭梯度方法.该方法在每一步迭代中均产生一个充分下降方向,且不依赖于任何线搜索.在强Wolfe线搜索下,讨论了新方法对一般目标函数的全局收敛性.最后,与著名的PRP方法、CG-DESCENT方法比较,大量的数值试验表明,修正LS共轭梯度方法对给定的测试问题是有效的.     

一个修正的三项LS共轭梯度法

基于已有的共轭梯度法的思想,提出了一个三项LS共轭梯度方法,该方法能保证搜索方向在不需要任何线搜索下具有充分下降性,并在适当条件下获得此方法对一般函数的全局收敛性.     

非线性无约束优化问题的新共轭梯度法

在DY共轭梯度法的基础上,给出一个新的共轭梯度法公式,在精确线搜索下该公式等价于DY公式.建立了基于新参数公式并采用Wolfe线搜索的共轭梯度算法,证明了算法满足下降性和具有全局收敛性,初步的数值实验结果表明该方法是有效的,适合于求解非线性无约束优化问题.     

非精确线搜索下一类新的混合共轭梯度法研究

共轭梯度法在求解无约束最优化问题中起着重要作用。通过构造一个新的参数βk^＊,并与βk^DY结合,得到了一类新的混合迭代参数,此类混合共轭梯度法在迭代过程中保持下降性;在非精确强wolf线搜索下此算法具有全局收敛性。