一个超记忆梯度广义投影算法

利用广义投影技术 ,将无约束超记忆梯度法推广到非线性不等式约束优化问题 ,从而建立了一个超记忆梯度广义投影算法 ,并在较弱条件下给出了其收敛性证明 ,数值算例表明该算法是有效的     

求函数极小点的记忆梯度法

<正> 记忆梯度法是共轭梯度法的推广和改进,它存在很多优点,是一个值得重视的算法.不过在它的每一迭代步中,都要作一次二维搜索.以往处理这个问题,常常采用牛顿法,由于牛顿法对初值要求十分苛刻,在实用上很不理想.本文提出一类函数的极值问题,在使用记忆梯度法求解时,采用线性化方法处理二维搜索问题,获得较好的计算效果.     

无约束优化的超记忆梯度法及其全局收敛性

提出一类新的求解无约束优化问题的超记忆梯度法,并在较弱条件下证明了算法的全局收敛性.当目标函数为一致凸函数时,对其线性收敛速度进行了分析.     

Goldstein线搜索下一种超记忆梯度法的全局收敛性

对于无约束优化问题,在目标函数满足一定条件时,证明了Goldstein线搜索下一种超记忆梯度法的全局收敛性。     

一个超记忆梯度投影方法

本文将超记忆梯度法推广到求解带有线性约束的非线性规划问题中去,给出了一个新的算法,在适当的条件下,证明了算法的全局收敛性。     

解带非线性等式和不等式约束优化问题的超记忆梯度广义投影算法

利用广义投影技术 ,将求解无约束规划的超记忆梯度算法推广 ,建立了求解带非线性等式和不等式约束优化问题的一种超记忆梯度广义投影算法 ,并证明了算法的收敛性。该算法具有稳定、计算量小、所需收敛条件弱、收敛性强等特点 ,并改进了广义梯度投影算法的收敛速度。数值算例表明该算法是有效的。     

Goldstein线搜索下一种超记忆梯度法的全局收敛性

对于无约束优化问题，在目标函数满足一定条件时，证明了Goldstein线搜索下一种超记忆梯度法的全局收敛性。     

解带非线性等式和不等式约束优化问题的超记忆梯度广义投影算法

利用广义投影技术，将求解无约束规划的超记忆梯度算法推广，建立了求解带非线性等式和不等式约束优化问题的一种超记忆梯度广义投影算法，并证明了算法的收敛性。该算法具有稳定、计算量小、所需收敛条件弱、收敛性强等特点，并改进了广义梯度投影算法的收敛速度。数值算例表明该算法是有效的。     

解带线性或非线性约束最优化问题的结合共轭梯度参数的记忆梯度Rosen投影算法

对于求解无约束规划的记忆梯度算法中的参数。作者利用Rosen投影矩阵给出了一个条件以确定其取值范围。使其在取值范围内取值均能得到目标函数的记忆梯度Rosen投影下降方向。从而建立了求解带线性或非线性约束最优化问题的记忆梯度Rosen投影算法．然后在较弱条件下证明了算法的收敛性。同时给出了具有好的收敛性质和较快收敛速度的结合FR,PR,HS共轭梯度参数的记忆梯度Rosen投影算法,从而将经典的共轭梯度法推广用于求解约束规划问题．由于算法需要较小的存储,算法适合于大规模问题的计算．数值例子表明算法是有效的．     

改进的无约束多目标优化记忆梯度法

基于无约束单目标记忆梯度法,提出了一种改进的无约束多目标优化问题的记忆梯度法,采用Amijo非精确线搜索产生步长,并证明了算法的收敛性.数值试验表明该算法是有效的.     

改进的无约束多目标优化记忆梯度法简

基于无约束单目标记忆梯度法,提出了一种改进的无约束多目标优化问题的记忆梯度法,采用Amijo非精确线搜索产生步长,并证明了算法的收敛性.数值试验表明该算法是有效的.     

Wolfe线性搜索下的超记忆梯度法及其收敛性

研究无约束优化问题,给出了一种新的超记忆梯度法,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.数值试验表明新算法是有效的.     

求解非线性优化问题的记忆梯度摄动投影算法

利用摄动投影矩阵建立求解非线性约束优化问题的记忆梯度摄动投影下降算法,并证明算法的收敛性,同时给出结合FR、PR、HS参数和拟牛顿方程的记忆梯度摄动投影算法,从而将经典的共轭梯度法推广用于求解约束优化问题。数值结果表明算法是有效的。     

关于超记忆梯度算法的收敛性

超记忆梯度算法是无约束优化的有效算法之一 .它的特点是在每步迭代时充分利用前面迭代点的信息 ,增加了参数选择的自由度 ,有利于构造稳定的快速收敛的算法 ,适于求解大规模无约束优化问题 .该文研究一种超记忆梯度算法 ,在较弱的条件下证明了算法的全局收敛性 .     

结合广义Armijo步长搜索的一类记忆梯度算法

给定记忆梯度算法搜索方向中的参数一个假设条件,从而确定它的一个取值范围,使其在此范围内取值均能得到目标函数的充分下降方向,由此提出一类新的记忆梯度算法.在去掉迭代点列有界和广义Arm ijo步长搜索下,讨论了算法的全局收敛性,且给出了结合形如共轭梯度法FR,PR,HS的记忆梯度法的修正形式.数值实验表明,新算法比Arm ijo线搜索下的共轭梯度法FR、PR、HS和记忆梯度法更稳定、更有效.     

基于梯度的随机微粒群算法

在随机微粒群算法和函数梯度信息基础上,文章提出了基于梯度的随机微粒群算法.该算法既有随机微粒群算法的优点,又有梯度法的较高收敛性和精度,数值计算表明算法对于求解连续可微函数的全局优化问题是非常有效的.     

一个新的求解无约束优化问题的超记忆梯度法

提出一个新的求解无约束优化问题的超记忆梯度法.该算法在每步迭代中充分利用前面迭代点的信息产生下降方向,利用曲线搜索产生步长,并且在每步迭代中不需计算和存储矩阵,适于求解大规模优化问题.在较弱的条件下证明了算法具有全局收敛性和线性收敛速度.数值实验表明该算法是有效的.     

关于超球面的特征

讨论了En 1中的超球面的特征,得到了En 1具有正交曲率线网的超曲面M是超球面部分的条件;然后推广了A.vec的一个定理,得到了E5具有正交曲率线网的超曲面M是超球面部分的条件。     

一个新的超记忆梯度法及全局收敛性

文章提出了一个新的超记忆梯度法解决无约束优化问题.该算法沿着目标函数的下降方向进行搜索,每步迭代提出的算法都充分地利用了前面多步迭代信息,避免目标函数海瑟阵的储存和计算,因此它适合解决大规模无约束优化问题.在适当的假设条件下,证明了所提出的算法具有全局收敛性.数值实验表明此算法的可行性.     

关于一个改进的既约梯度法的收敛速度

本文研究下述非线性规划问题:(P)minf(X) R={x|Ax=b,x≥0,x∈E}其中A是m×n矩阵(m≤n),秩为m,b∈E,E~n和E分别是n维和m维欧氏空间;f是实函数。美国数学家P.Wolfe在1962年发明了解问题 (P) 的“既约梯度法”(〔1〕)。这儿Ax=b中有n-m个自由变量,把f作为这n-m个自由变量的复合函数而求得的梯度,国内称