基于ZhangHC非单调技术的修正HS共轭梯度算法

将ZhangHC非单调技术与修正的Armijo线搜索规则结合,给出了求解无约束优化问题的一种新的HS共轭梯度算法。在较弱的条件下,证明了算法的全局收敛性。数值结果表明新算法是有效的,且适于求解大规模问题。     

非精确条件下的共轭梯度方法

研究无约束全局优化的求解问题. 在特殊的非精确条件下, 给出一种求解该问题的共轭梯度算法, 并在特殊条件下通过一些算例验证了算法的有效性和可行性.     

一种充分下降的DY共轭梯度法及其收敛性

基于已有的DY方法和HZ方法,提出了一种修正的DY共轭梯度法(MDY算法)。该算法产生的搜索方向为充分下降方向,且这一性质与所采用的线搜索方法无关。在一定的条件下证明了保守MDY算法(CMDY算法)基于Armijo线搜索和Wolfe线搜索求解非凸优化问题的全局收敛性。相关的数值试验结果验证了该方法的有效性。     

解无约束优化问题的一个新的非单调信赖域算法

在传统信赖域方法的基础上,提出了求解无约束最优化问题的一个新的带非单调线搜索的信赖域算法.该算法采用非单调Wolfe线搜索技术获得迭代步长,新算法在每一迭代步只需求解一次信赖域子问题,克服了每次迭代求解信赖域子问题时计算量较大的缺点.在一定条件下,证明了算法的全局收敛性.数值实验结果表明该算法是有效的.     

一个共轭梯度算法与随机两人零和博弈分析

为研究一种新的关于求解无约束优化问题的三项共轭梯度算法,通过构造新的β_k和应用修正线搜索技术的方法,证明了算法的性质满足充分下降性;具有信赖域特征;对于非凸函数满足全局收敛性,图像处理实验表明新算法比经典PRP算法更具竞争力;通过对随机两人零和博弈模型的求解,验证了算法对实际问题的有效性。     

梯度相关条件下求解非线性规划问题算法的收敛性

证明在梯度相关的条件下,一般的求解非线性规划问题算法的收敛性定理在θ<-▽f(xk),dk>无需满足其它任何条件的前提下仍然成立.     

基于简单锥模型的带线搜索的新信赖域算法

对于无约束优化问题,提出了一类基于简单锥模型的带线搜索的新信赖域算法。该算法采用大步长Armijo线搜索技术获得迭代步长,克服了每次迭代求解信赖域子问题时计算量较大的缺点,适用于求解大型优化问题。在适当的条件下,证明了该算法的全局收敛性。     

一类下降算法的全局收敛性

给出了求解无约束优化问题的一类下降算法,该算法具有充分下降性的共轭梯度公式．并且在较为温和的条件下利用宽松的非精确线搜索条件,给出了全局收敛性定理。     

一种新的修正共轭梯度算法

给出求解无约束优化问题的一个新的共轭梯度算法,证明该算法在强Wolfe线搜索下具有全局收敛性和良好的数值表现.     

无约束优化问题线搜索方法的收敛性

在较弱条件下给出了5种线搜索准则下的线搜索方法的收敛结论,这些结论对于构造快速有效的收敛算法是十分有用的。表明了搜索方向在这些方法中起主要作用,同时步长在一定条件下保证了算法的全局收敛性。说明了算法可用于求解更广泛的无约束优化问题。     

一类Armijo搜索下新的共轭梯度法及其全局收敛性

为有效求解大规模无约束优化问题,提出了一类新的混合共轭梯度法.该方法在每步迭代中都不依赖于函数的凸性和搜索条件而自行产生充分下降方向.在适当的条件下,获证了在Armijo搜索下,即使求解非凸函数极小化的问题,算法也具有全局收敛性.同时,数值实验表明所提算法可以有效求解优化测试问题.     

一类无约束优化的非单调共轭梯度法

针对无约束优化问题,提出一类新的非单调共轭梯度法,在新的非单调Wolfe条件下保证了算法的全局收敛性,并在每次迭代过程中,均可得到初始的自适应步长和充分下降方向.数值结果表明算法是可行和有效的.     

在一种新型线搜索下DFP算法的全局收敛性

给出了一种较Goldstein-Armijor线搜索更广泛的新型非精确线搜索准则，并证明了在满足一定条件下，这种新型线搜索准则下DFP算法的全局收敛性。     

一类修正的共轭梯度法及数值试验

本文提出了一类求解无约束优化问题的修正的HS共轭梯度法.该算法每步都可产生一个充分下降方向,并且在适当条件下,证明该算法在非精确搜索下全局收敛.最后通过数值试验结果表明该算法的有效性.     

一种新参数下的记忆梯度算法

提出了一种记忆梯度法的主要参数的新形式，分析了该算法在Wolfe-Powell搜索下的全局收敛性和线性收敛速度．     

一种非线性扩展混合共轭梯度算法的全局收敛性

描述了非线性FR共轭梯度法、非线性PRP共轭梯度法、非线性DY共轭梯度法等求解大规模无约束优化问题的有效算法.研究了计算更为有效的适合求解无约束优化问题的一种非线性扩展混合共轭梯度算法;给出了在Wolfe型线搜索下的非线性扩展混合共轭梯度法,算法产生的方向为下降方向.在一般的条件下,给出了算法的全局收敛结果,且数值实验表明算法十分有效.     

一个新的共轭梯度类型方法

提出一种求解无约束问题的新的共轭梯度类型公式，与此相应的方法在强Wolfe线搜索和Powell再开始条件下满足下降条件，并且在适当的情况下具有全局收敛性质。     

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 .     

一个求解无约束优化问题的HS修正方法

给出了一个求解非线性无约束优化问题的新的共轭梯度类型公式,并证明了相应的方法在Powell再开始准则下具有充分下降性．文章最后给出了该方法的数值结果．