无约束优化中带线搜索的非单调信赖域算法

将信赖域与线搜索方法相结合,采用非单调技术,提出一种求解无约束优问题的非单调信赖域算法,并在适当的条件下,证明算法有全局收敛性和Q-二次收敛性.算法在试探步不被接受时,采用非单调线搜索寻找下一迭代点.算法克服了传统非单调算法中用于产生非单调性的参考函数值远大于实际函数值的问题.初步的数值试验证实算法是有效的.     

绝对值方程的非单调光滑算法

给出了一个新的非单调线性搜索技术,其包含传统的单调线性搜索和一些非单调线性搜索.基于新的非单调技术,给出了一个求解绝对值方程的光滑算法,证明了算法具有全局和局部二次收敛性质.数值试验表明算法是有效的.     

一类新的修正Fletcher-Reeves算法

研究了一类非单调线性搜索技术在无约束化问题共轭梯度算法中的应用,该类非单调线性搜索是属于Armijo型的线性搜索.在适当的条件下,对一般非凸函数,证明了新给出的的非单调线性搜索下,修正Fletcher-Reeves共轭梯度算法的全局收敛性,数值结果表明了该算法的有效性.     

一类新的自适应非单调谱投影梯度法

给出了求解凸约束优化的一类新的自适应非单调谱投影梯度法.通过引入具有自适应性的权重参数,使算法在迭代过程中能自动调节非单调策略. 在适当条件下证明了算法的收敛性.数值试验结果表明,该算法在一定程度上能减少在线搜索过程中对非单调参数M的依赖.     

大规模优化的修正有限存储BFGS算法

针对大规模无约束优化问题,提出非单调线搜索模型,将其用于有限存储BFGS算法,得到一种修正有限存储BFGS算法;继而在适当的条件下,建立算法的全局收敛及超线性收敛性.最后通过数值算例说明算法的有效性.     

一类非单调修正βWYLk算法的全局收敛性

结合文[1]给出的新公式βWYLk,提出了一种非单调线搜索下的修正βWYLk算法,该方法保证每次迭代中的搜索方向是充分下降的.在较弱的条件下,我们证明了此类非单调修正βWYLk算法具有全局收敛性,数值试验表明该方法具有良好的数值结果.     

一类非单调修正βk^WYL算法的全局收敛性

结合文[1]给出的新公式βkWYL,提出了一种非单调线搜索下的修正βkWYL算法,该方法保证每次迭代中的搜索方向是充分下降的.在较弱的条件下,我们证明了此类非单调修正βkWYL算法具有全局收敛性,数值试验表明该方法具有良好的数值结果.     

一种修正HS共轭梯度法的全局收敛性

对HS算法进行了修正,在非单调线搜索下,该方法保证每次迭代中的搜索方向是充分下降的。在较弱的条件下,证明了此类非单调修正HS算法具有全局收敛性。最后对算法进行了数值试验,试验结果表明,该算法具有良好的收敛性和有效性,尤其适合求解大规模无约束优化问题。     

简单界约束非线性方程组的不精确线搜索法

提出一种用非单调线搜索方法求解简单界约束非线性方程组,算法采用满足Armijo条件的不精确线搜索技巧,并使用非单调结构,将当前函数最大值的下降改进为函数平均值的下降,推广了算法的适用范围.最后进行了数值试验,结果表明,算法十分有效.     

求解非线性方程组的一类非单调修正Levenberg-Marquardt算法

通过将非单调搜索准则与修正Levenberg-Marquardt(L-M)算法结合,提出了求解非线性方程组的一个新的非单调修正L-M方法.新算法在每次迭代步都引入校正步,使新的试探步更靠近Moore-Penrose步.利用信赖域技巧修正L-M参数,在一定的条件下,证明了该算法的全局收敛性.数值试验表明了算法的有效性.     

具有充分下降性的修正PRP算法及其收敛性

共轭梯度法因其算法简单、存储需求小,非常适合于求解大规模优化问题。在所有的共轭梯度法中,PRP方法被认为是数值表现最好的方法之一。然而,对一般非凸函数,PRP方法即使采用精确线搜索也不能保证全局收敛。本文基于一个修正的PRP公式,提出了一类无需线搜索而具有充分下降性的共轭梯度算法。在一定条件下,建立了该算法的全局收敛性结果。数值试验表明这种改进是有效的。     

非单调线搜索下的记忆梯度法及其全局收敛性

提出一种新的非单调线搜索准则,结合文献中给出的dk,研究一类新的记忆梯度法,在较弱条件下证明了其全局收敛性.算法采用新的非单调线搜索准则,使目标函数值在每一次迭代时充分下降,有效降低了算法的计算量,同时还减弱了文献中算法的使用条件,从而扩大了算法求解问题的范围.     

视觉搜索与视觉工作记忆的交互关系

视觉搜索与视觉工作记忆分别是注意理论与工作记忆模型中的研究焦点,它们之间的交互关系也是当前认知心理学中一个颇具争论性的问题：有的研究者认为视觉工作记忆影响视觉搜索,也有研究者认为两者之间存在着相互作用,还有的认为它们之间没有明显的交互影响。但总的来说,视觉搜索与视觉工作记忆存在着明显的交互作用,因为他们共享一个资源有限的视觉系统。     

一种修正的三项PRP共轭梯度法

为了更有效求解一类大规模无约束优化问题,克服其他算法普遍存在的算法较为复杂,存储量大和计算机编程难等不足,在传统三项PRP共轭梯度法的基础上,结合近年来关于三项共轭梯度法和新型线搜索的研究成果,定义了一种新的搜索方向,并采用一种新型的线搜索构建了算法,证明了其具有自动充分下降和信赖域的性质,并在适当的条件下证明了其全局收敛性。数值试验结果表明,在求解一类大规模无约束优化问题上新算法比传统三项PRP共轭梯度法更具有竞争性。具有良好收敛性质的新算法为解决一类求解大规模无约束优化问题提供了更高效的算法依据。     

无约束优化问题线搜索方法的收敛性

在较弱条件下给出了5种线搜索准则下的线搜索方法的收敛结论,这些结论对于构造快速有效的收敛算法是十分有用的。表明了搜索方向在这些方法中起主要作用,同时步长在一定条件下保证了算法的全局收敛性。说明了算法可用于求解更广泛的无约束优化问题。     

修正LS共轭梯度法及其全局收敛性

提出一类求解无约束优化问题的修正LS共轭梯度法,算法采用一个新的参数公式．在适当条件下,证明算法满足充分下降条件,进而证明在采用广义Wolfe-Powell线搜索和强Wolfe-Powell线搜索时,算法全局收敛．初步的数值试验结果显示方法是有效的．     

一种求解带不等式约束优化问题的新滤子SQP算法

介绍了一种线搜索滤子SQP算法,在适当的条件下证明了它的全局收敛性。该算法无需使用罚函数作为价值函数,也不需要可行性恢复阶段,对滤子接受条件有所改进,使其更容易接受好的迭代步,数值结果表明它是非常的。     

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。     

一类新的Wolfe线性搜索下的记忆梯度法

提出一类新的求解无约束优化问题的记忆梯度法,在较弱条件下证明了算法具有全局收敛性和线性收敛速率。算法在每步迭代中利用当前和前面迭代点的信息产生下降方向,不需计算和存储矩阵,适于求解大规模优化问题。初步的数值试验表明算法比Wolfe搜索下的FR,PRP和HS共轭梯度法及最速下降法有效。     

一种新参数下的记忆梯度算法

提出了一种记忆梯度法的主要参数的新形式，分析了该算法在Wolfe-Powell搜索下的全局收敛性和线性收敛速度．