一种基于弱拟牛顿方程的单调梯度法的收敛性

基于弱拟牛顿方程,Leong W J等人提出了一种单调梯度法,该算法在每次迭代时利用对角矩阵逼近Hessian矩阵,使计算量和存储量明显减少,并且此算法对凸函数具有收敛性。在此算法的基础上,进一步研究了算法对于一般函数的收敛性,并证明了在一定的假设条件下算法仍具有全局收敛性、R-线性收敛性和超线性收敛性。     

关于非单调拟牛顿算法的一个改进

对于无约束优化问题提出了一类新的非单调拟牛顿算法.该算法在修正的拟牛顿方程基础上添加参数,从而推广了已有的拟牛顿方程.采用非单调线性搜索准则,并在一定条件下证明了新的非单调拟牛顿算法具有全局收敛性.     

求解无约束一致性优化问题的分布式拟牛顿算法

本文主要针对网络中各个节点相互协作,最大限度地使本地费用函数的总和最小的无约束一致性优化问题,提出了一类分布式拟牛顿算法。算法仅利用了目标函数的一阶导数信息,每步通过选取一个满足拟牛顿方程的正定对角矩阵来作为费用函数Hesse矩阵逆的校正矩阵,克服了校正矩阵的非稀疏性对算法分布式实现造成的困难,减少了计算量和存储空间。在适当条件下,证明了分布式拟牛顿算法的全局收敛性及局部线性收敛速度,并通过数值实验验证了算法的优越性。     

一个新的拟牛顿信赖域方法

提出求解无约束优化问题的一个修正拟牛顿信赖域方法。算法可以保持信赖域子问题海森矩阵的正定性。在适当条件下,证明了算法的全局收敛性,并通过数值实验说明了算法的可行性。     

一个新的拟牛顿信赖域算法

提出了一种新的修正拟牛顿信赖域算法.算法同时利用函数值信息和梯度信息构造信赖域子问题,既可保持信赖域子问题海森矩阵的正定性,又能改善算法的数值执行.在一定假设的条件下,证明了算法的全局收敛性,并通过数值实验表明了提出算法的有效性.     

一种自适应拟牛顿广义特征分解算法

通过构造一种新的无约束损失函数,广义特征分解问题可以转化为无约束优化问题.此损失函数具有良好的特性,即具有全局极小点、无局部极值点,从而保证了迭代算法的全局收敛性.利用近似Hessian矩阵,提出了一种新的自适应拟牛顿广义特征分解算法.然后,采用随机逼近理论,严格分析了算法的收敛性.仿真结果表明,算法具有快速收敛和动态跟踪能力.     

拟补问题模系矩阵分裂迭代方法的收敛性分析

将求解拟补问题的一类模系矩阵分裂迭代算法看成内外迭代法,给出了内迭代计算更多的说明以及该算法的收敛性理论。当系数矩阵分别为正定矩阵和H+-矩阵时,还得到了新的收敛性条件。该分析结果进一步完善了拟补问题模系矩阵分裂迭代法的收敛性理论。     

一类改进的拟牛顿算法

在利用拟牛顿算法求解非线性无约束优化问题中,本文在文献[8]提出的拟牛顿方程基础上,通过加权形式构造一类改进拟牛顿方程,产生了修正的BFGS校正公式,进而提出改进的拟牛顿算法,在一定条件下证明新算法的全局收敛性。数值实验结果表明,与文献[12]中的拟牛顿算法对比,新算法在迭代次数上更有优势。     

改进的SR1拟牛顿法的2n步q二次收敛性

为了从理论上证明基于新拟牛顿方程的改进拟牛顿方法比传统的拟牛顿方法有更好的收敛效果，对改进的ＳＲ１拟牛顿方法进行了深入的研究，在变尺度矩阵序列正定有界的条件下，证明了算法在每ｎ＋ｐ（ｐ≥１）步迭代中至少有ｐ步是好的（ｑ超线性步），进而证明了算法的２ｎ步ｑ二次收敛性。     

一种新修正拟牛顿法的超线性收敛性

拟牛顿法是无约束极小化中最有效的算法之一。通过讨论一种基于新拟牛顿方程的修正拟牛顿法,给出了该算法的局部超线性收敛性。     

Perry-Shanno无记忆拟牛顿方法在非单调搜索下的收敛性

将Perry-Shanno无记忆拟牛顿方法与一类非单调搜索相结合,给出了一类求解无约束最优化问题的新算法.在目标函数为凸的条件下,证明了该算法的全局收敛性.     

带有参数的Perry-Shanno无记忆拟牛顿方法的收敛性

分析了带有可调参数的Ｐｅｒｒｙ－Ｓｈａｎｎｏ无记忆拟牛顿方法的收敛性,证明了对于非凸目标函数,在非精确搜索条件下,参数在一定范围内,算法是收敛的。     

拟牛顿法求解堆石坝结构非线性方程

探讨了求解堆石坝结构非线性方程的拟牛顿法，详细阐明了拟牛顿法在堆石坝结构分析中的实施过程，并编制了相应的三维非线性有限元分析程序，将拟牛顿法在中点增量法同时用于实例计算，表明拟牛顿法收敛速度较快且数值稳定性好，优越于中点增量法。     

求解凸规划问题的一种拟牛顿算法

研究了在广义Wolfe线搜索和推广型Wolfe线搜索条件下目标函数为凸的无约束优化问题的拟牛顿算法,并且证明了其全局收敛性.     

一类拟牛顿算法的收敛性

根据一类基于新拟牛顿方程Bk 1sk=yk*的修改BFGS类算法,采用广义W olfe线搜索模型(GW搜索模型):f(xk 1)≤f(xk) δkαgTkdk和g(xk 1)Tdk≥m ax{,σ1-(kα‖dk‖)p}gTkdk,其中0<δ≤σ<1,p∈(-∞,1),得到一类修正的BFGS算法(M BFGS),证明了M BFGS算法的全局收敛性和超线性收敛性.数值试验结果表明M BFGS算法是有效的.     

基于非单调线搜索的无记忆拟牛顿法的全局收敛性

文章就Perry_Shanno无记忆拟牛顿法在无约束最优化问题上,对采用非单调线搜索的情况下是否具有全局收敛性进行了研究.在目标函数为凸的条件下,证明了该算法的全局收敛性.     

非线性方程组拟牛顿法中线性搜索的一种改进

改进了Ｇｒｉｅｗａｎｋ（１９８６）提出了关于求解非线性方程组的一种线性搜索方式。在理论上保证了线性搜索的实现,使得算法是适定的,而且,在改进的线性搜索条件下,Ｂｒｏｙｄｅｎ算法仍具有全局收敛性和局部超线性收敛性。     

非线性规划问题的异步并行的拟牛顿算法

提出了一种求解非线性规划问题的异步并行拟牛顿算法，若假设目标函数是凸的，线性搜索采用Wolfe原则，讨论了所设计的并行算法的全局收敛性。     

一类新拟牛顿算法的全局收敛性与数值试验

在Hiroshi Yabe等提出的新拟牛顿方程基础上,给出一类新拟牛顿算法(称为MBFGS算法),同时在一定的假设条件下,结合Wolfe搜索准则,证明了MBFGS算法具有全局收敛性,并进行了数值试验,结果表明,对于一般的无约束优化,本文的MBFGS算法是正确和有效的.