L1/2正则化问题的最优性条件及下降算法

主要研究L1/2正则化问题.首先给出了该问题的最优性条件的分析，得到了一阶和二阶必要条件，同时给出了二阶充分条件.这些最优性条件可以看作是光滑函数最优性条件的推广.在此基础上，提出了一种下降算法，并给出了该算法的全局收敛性分析.该算法可以看作是最速下降法的推广.     

一种共轭下降算法的全局收敛性

给出了求解无约束优化问题的一种共轭下降算法,该算法具有充分下降性的共轭梯度公式。在较为温和的条件下,利用宽松的非精确线搜索条件得到全局收敛性结果,同时数值实验表明了算法的有效性。     

带非精确线搜索的共轭梯度算法之收敛性

给出一类以共轭梯度算法为其子类的下降迭代算法.并在三种非精确线搜索下给出了这类算法的较弱的收敛性条件.     

下降算法及最优性条件研究

研究了全局最优化问题的总体最优性条件，建立了一种下降算法。本文给出的数值实例表明了该下降算法对全局最优化问题求解的有效性。     

关于不可微最优化的下降方法

本文研究极小化局部Ｌｉｐｓｃｈｉｔｚ连续函数的下降算法。文中给出了一个模型算法，它使用目标函数的近似广义梯度确定下降方向，这使得有可能构造仅使用函数值的不可微极小化下降算法。在适当的条件下，我们证明了算法的收敛性，并给出了有关此算法的若干数值计算结果。     

强Wolfe线搜索下一种共轭梯度法的全局收敛性

本文给出了一种新的共轭梯度法公式,在强Wolfe线搜索条件下给出了新公式的充分下降性和由新公式所产生的算法,并证明了新算法的全局收敛性.     

一族共扼下降算法的全局收敛性

给出了无约束问题一族含有一个参数βｋ的共扼下降算法，证明了该共扼下降算法在满足一种非精确线性搜索条件时是下降的，而且是全局收敛的．同时可以看到共扼下降算法是其特例．     

一种新线性搜索下的杂交共轭梯度法

将HS算法和DY算法结合起来,给出了一种求解无约束问题的杂交共轭梯度算法.在新的非精确线性搜索下,不需给定下降条件,证明了算法具有全局收敛性.     

无约束优化问题的一种新杂交共轭梯度算法

结合DY方法和HS方法给出了求解无约束优化问题的一种新的杂交共轭梯度算法,在无充分下降性假设下,证明了算法在弱Wolfe线搜索条件下的下降性和全局收敛性.数值实验结果表明算法是有效的.     

一种新的混合共轭梯度算法

给出了一种新的求解无约束优化问题的混合共轭梯度算法,该算法的搜索方向下降性不依赖于任何线搜索条件,并在Wolfe-Powell线搜索条件下证明了该算法具有全局收敛性,同时还给出了比较好的数值结果。     

一类修正的FR算法及其全局收敛性

基于喻（2006）提出的修正PRP算法,给出一类修正的FR算法.该算法的优点是：（1）在无需线性搜索的条件下,迭代方向就是充分下降方向;（2）在比喻（2006）的算法更弱的条件下,分析了算法的全局收敛性.     

一类新的混合共轭梯度算法

共轭梯度算法在无约束最优化问题中有着广泛应用.现给出的一类新的共轭梯度算法,在迭代过程中保持了下降性质;在一般Wolfe线搜索条件下,新算法是全局收敛的.     

一类改进的非单调的信赖域算法

很多信赖域算法的接受条件中仍然存在一些不合理的因素,本文给出了一种改进的非单调信赖域算法,该算法通过改变预计下降量,使其与实际下降量对应起来,且这种改变保持算法的收敛性.算例分析表明,这种算法可以减少迭代次数,提高求解精度.     

一类半正定变分不等式的随机下降算法

校正投影收缩算法的下降量证明中多次使用了放大不等式,因此本文利用满足固定均值的随机数适当扩张步长,得到了一类半正定变分不等式问题的随机下降算法.在适当的假设条件下,利用马尔可夫不等式和依概率收敛的性质,给出了随机下降算法的依概率收敛性证明.通过一系列的数值试验验证了随机下降算法的有效性,并且表明了合理选择随机数的均值和方差可以提高随机下降算法的计算效率.     

求解单调变分不等式的下降型部分并行分裂LQP交替方向法

对于带有三个可分离算子的结构型单调变分不等式问题,结合部分并行分裂算法和LQP交替方向法构造了一个下降方向,并沿着这个下降方向利用效益函数的一个下界给出了最优步长,提出了一种下降型部分并行分裂LQP交替方向法.在较弱的假设条件下证明了新算法的全局收敛性,并将该算法与其他算法的下降量下界进行比较,证明了新算法的优越性.     

一类充分下降共轭梯度法的全局收敛性

给出一类搜索方向采用保守策略的新型共轭梯度法,在常规假设条件下得到了算法的全局收敛性结果,并给出算法的数值实验结果.结果表明:相应的算法分别在强Wolfe非精确线搜索参数σ1/4,1/3,1/2的情形下充分下降;新算法适合于求解大型无约束优化问题.     

一类非精确线搜索下的混合共轭梯度算法

给出了一类在非精确线搜索下的混合共轭梯度算法,对李荣生提出的NCG算法进行了改进,在算法的迭代过程中,保持了迭代方向的下降性,在较弱的条件下证明了全局收敛性,数值试验表明该算法是相当有效的.     

一种新线性搜索下混合HS—DY共轭梯度法的伞局收敛性

在HS方法和DY方法的基础上,给出了一种求解无约束问题的混合共轭梯度算法．在新的非精确线性搜索下,不需给定下降条件,证明了算法的全局收敛性．     

一种新线性搜索下混合HS-DY共轭梯度法的全局收敛性

在HS方法和DY方法的基础上,给出了一种求解无约束问题的混合共轭梯度算法.在新的非精确线性搜索下,不需给定下降条件,证明了算法的全局收敛性.     

一类新的自适应信赖域算法

提出了一类新的自适应信赖域算法.该算法利用相邻迭代点的实际下降量与预测下降量的比值加权和来衡量二次模型的近似程度,同时信赖域半径迭代准则采用由Λ-函数给出的一类自适应迭代准则.在一定假设的条件下,算法具有传统信赖域算法的全局收敛性.数值实验表明,算法是稳健和有效的.