LS-共轭梯度算法的收敛性

对无约束规划 (P) :minx∈Rnf(x) ,其中 f(x)是Rn→R1上的二阶连续可微函数 ,通过引入强迫函数和逆连续模函数 ,证明了一类采用Curry Altman步长规则的LS 共轭梯度算法的全局收敛性质 ,利用比较原理进一步讨论了LS 共轭梯度算法在采用另外三种步长规则下的全局收敛性     

固定步长修正LS共轭梯度法的全局收敛性

基于修正LS共轭梯度法，给出步长公式，使无线搜索算法的迭代过程自动满足充分下降性．在水平集中目标函数有界和梯度函数Lipschitz连续的条件下，分别证明了采用固定步长和常数步长的算法具有全局收敛性．     

广义Curry线搜索下一种新共轭梯度法及其全局收敛性

本文对无约束最优化问题：min f(x)，x∈R^n．提出一种新的共轭梯度法．该算法中参数βκ采用一种新取法．并结合广义Curry线搜索及n步重新开始策略．在关于目标函数较弱条件假设下，证明了所给算法的全局收敛性．     

修正的HS共轭梯度算法的全局收敛性

对求解无约束优化问题的共轭梯度法中的方向参数给定新的区间取法，将HS共轭梯度参数限制在此区间上，保证搜索方向是目标函数的充分下降方向，在此基础上提出了修正HS共轭梯度算法（MHS），并在较弱的条件下讨论了新算法在广义Armijo步长搜索下的全局收敛性。数值试验结果表明，新算法比广义Armijo步长搜索下的FR、PR、HS共轭梯度算法有效。     

广义Armijo步长搜索下的梯度算法的收敛特征

:对无约束规划 (P) :minx∈Rnf(x) ,其中 ,f(x)是Rn→R1上的一阶连续可微函数 ,在去掉迭代点列 {xk}有界和广义Armijo步长搜索下 ,讨论了梯度算法的全局收敛性 ,证明了算法具有较强的收敛性质。     

修正的HS共轭梯度算法的全局收敛性

对求解无约束优化问题的共轭梯度法中的方向参数给定新的区间取法,将HS共轭梯度参数限制在此区间上,保证搜索方向是目标函数的充分下降方向,在此基础上提出了修正HS共轭梯度算法(MHS),并在较弱的条件下讨论了新算法在广义Armijo步长搜索下的全局收敛性.数值试验结果表明,新算法比广义Armijo步长搜索下的FR、PR、HS共轭梯度算法有效.     

结合Armijo步长搜索的一类新记忆梯度算法及其收敛特征

对于求解无约束规划的共轭梯度算法中的共轭梯度方向参数，给定一个假设条件，确定它的一个取值范围，以保证搜索方向是目标函数的充分下降方向，由此提出了一类新的记忆梯度算法。在去掉迭代点列有界和Armijo步长搜索下，讨论了算法的全局收敛性，同时给出了结合FR、PR、HS共轭梯度算法的修正形式。数值实验表明，新算法比Armijo步长搜索下的FR、PR、HS共轭梯度法更稳定、更有效。     

广义Armijo步长搜索下的梯度算法的收敛特征

对无约束规划（P）：minf(x)。其中,f(x)是R^n→R^1上的一阶连续可微函数,在去掉迭代点列{xk}有界和广义Armijo步长搜索下,讨论了梯度算法的全局收敛性,证明了算法具有较强的收敛性质。     

结合Armijo步长搜索的一类新记忆梯度算法及其收敛特征

对于求解无约束规划的共轭梯度算法中的共轭梯度方向参数 ,给定一个假设条件 ,确定它的一个取值范围 ,以保证搜索方向是目标函数的充分下降方向 ,由此提出了一类新的记忆梯度算法。在去掉迭代点列有界和Armijo步长搜索下 ,讨论了算法的全局收敛性 ,同时给出了结合FR、PR、HS共轭梯度算法的修正形式。数值实验表明 ,新算法比Armijo步长搜索下的FR、PR、HS共轭梯度法更稳定、更有效。     

结合广义Armijo步长搜索的带误差项的记忆梯度算法

对非线性无约束规划提出了结合广义Armijo步长搜索规则的一类带误差项的记忆梯度求解算法,在目标函数梯度一致连续的条件下,证明了算法的全局收敛性,同时给出带误差项的结合拟-Newton方程的记忆梯度算法.数值结果表明算法是有效的.