强Wolfe线搜索下一种混合的PRP-WYL共轭梯度法（英文）

【目的】为了结合Polak-Ribière-Polyak(PRP)共轭梯度法和Wei-Yao-Liu(WYL)共轭梯度法良好的理论和计算特性。【方法】通过分段函数,一种混合的PRP-WYL共轭梯度法被提出。【结果】在强Wolfe线搜索条件下,算法具有充分下降性和全局收敛性。【结论】初步数值结果表明,PRP-WYL算法比某些现有的包括PRP和WYL的共轭梯度算法更有效。     

强Wolfe线搜索下一种混合的PRP-WYL共轭梯度法

【目的】为了结合Polak-Ribière-Polyak (PRP) 共轭梯度法和Wei-Yao-Liu (WYL) 共轭梯度法良好的理论和计算特性。【方法】通过分段函数一种混合的PRP-WYL共轭梯度法被提出。【结果】在强Wolfe线搜索条件下，算法具有充分下降性和全局收敛性。【结论】初步数值结果表明，PRP-WYL算法比某些现有的包括PRP和WYL的共轭梯度算法更有效。     

一种新的杂交共轭梯度算法

结合HS、DY和WYL方法提出求解无约束优化问题的共轭梯度公式中βk参数的一种新的计算公式:βk=max{0,min{‖gk‖2,gTkyk-1,gTkyk-1}}/(dk-1Tyk-1),并给出新的杂交共轭梯度算法;证明新算法在弱Wolf-Powell线搜索条件下具有全局收敛性,并用数值试验表明新算法具有较好的数值结果.     

一种新的非单调线搜索方法

给出一种新的非单调线搜索方法,并用数值实验来验证其优越性.新方法能够确保WYL共轭梯度法的全局收敛性,实验效果比Armijo线搜索更好.     

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。     

WYL共轭梯度法的全局收敛性分析

近来,韦增欣等提出一种称为WYL方法的新的共轭梯度法,该方法不仅有较好的数值表现,而且有较优秀的性质．在参考文献[1],其作者证明了当步长tk≤1-c/2L ‖gk‖^2/‖dk‖^2时,WYL方法满足充分下降条件．基于此,针对非凸函数的无约束优化问题,文章提出一种建立在WYL公式和修正的Armijo型线搜索下的新算法,并证明其全局收敛性．     

一个修正的NVPRP方法

非线性共轭梯度方法是解决大规模无约束问题最有效的方法之一,提出了一类新的修正共轭梯度算法,新算法推广了黄海东等的共轭梯度参数算法,不依赖任何线搜索且具有充分下降性;然后,在标准Wolfe非精确线搜索下,得到了新算法的全局收敛性.     

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.     

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。     

MWWP线搜索下的新共轭梯度法

随着计算机技术的革新和生产生活中大规模无约束优化问题的涌出,为寻求高效快速的方法,本文构造新共轭梯度算法.将一种修正弱Wolfe-Powell线搜索称为MWWP线搜索,使其与具有良好的充分下降性的DPRP共轭梯度法相结合,证明了该算法在新型线搜索下的全局收敛性,并将该算法与传统共轭梯度法进行了数值实验对比,数值实验结果表明了新方法是有效可行的.     

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。     

求解非光滑优化问题的修正HS三项共轭梯度法

为了提高大规模非光滑优化问题的求解效率,克服其他方法存储需求大、算法复杂等缺点,提出求解非光滑优化问题的一种修正HS共轭梯度算法。在经典HS三项共轭梯度法的基础上提出一种新的搜索方向,并利用Moreau-Yosida正则化技术和Armijo-type线搜索技术进行设计。新算法满足充分下降条件,搜索方向属于信赖域,在适当条件下证明了新算法全局收敛。初步的数值实验表明新算法在求解非光滑无约束优化问题方面比LMBM方法更有效。新算法不仅具有较好的收敛性质,而且数值表现良好,为更加高效地求解非光滑优化问题提供了新的方法。     

一种新的非线性共轭梯度法的全局收敛性

给出了一种新的求解非线性无约束优化问题的共轭梯度法,我们证明了该方法对相应的算法具有全局收敛性,同时我们还证明了该方法在强Wolfe线搜索下具有充分下降性.并且本算法给出了比较好的数值结果.     

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.     

无约束非线性规划的共轭梯度法研究综述

共轭梯度法是50多年来算法研究的热点课题,它最初是基于求解对称正定线性方程组提出的,随后推广到求解非线性无约束优化问题。现在,它已经成为数值最优化领域的一类重要方法,具有所需存储量小、局部和全局收敛性好的特性。综述了求解无约束非线性规划问题的共轭梯度法,总结了它近年来的研究状况,展望了未来的发展趋势。     

几种混合型共轭梯度法的数值性能

考虑几种混合型的共轭梯度法, 采用弱Wolfe线搜索确定步长, 利用正交化策略产生满足充分下降条件的下降方向, 通过CUTEst测试问题验证这些算法的有效性, 并分析这些算法的数值性能.     

一种新线性搜索下的混合共轭梯度法

共轭梯度法是求解大规模无约束问题的一种有效方法，文章针对算法的优劣主要依赖于步长因子和搜索方向的特点，结合共轭梯度法的共轭性质，在HS方法和DY方法的基础上，提出了一种混合共轭梯度法，并证明了全局收敛性。