一类修正DY共轭梯度法及其全局收敛性

对DY共轭梯度方法进行修正,使得修正的共轭梯度方法(MDY*)在Wolfe线搜索下满足充分下降条件和全局收敛性.     

一种新线搜索下DY共轭梯度法的全局收敛性

给出一种求解无约束优化问题的新线搜索,证明由新线搜索和DY公式产生的算法具有全局收敛性,再对此算法进行数值试验,并将其数值结果与Wolfe线搜索下PRP方法、DY方法以及另外几种线搜索下DY共轭梯度法的数值结果进行比较来验证新算法是有效的.     

一类混合HS和DY共轭梯度法及其全局收敛性

为了寻找同时具有良好的收敛性和数值效果的共轭梯度法.本文将HS方法和DY方法结合,选用Wolfe线搜索,构造出了一类新的混合共轭梯度法.并在Wolfe线搜索的条件下证明了该算法全局收敛性.对新算法进行数值实验,并与HS方法和DY方法的数值结果进行了比较,结果表明新算法是有效的.     

一类非单调修正DY共轭梯度法

研究了一类非单调线搜索修正DY法,在适当的条件下,对一般非凸函数,证明了在新给出的非单调线搜索下修正的DY共轭梯度方法的全局收敛性,数值结果表明了该算法的有效性。     

一种无约束优化问题的谱共轭梯度法

提出了一种新的谱共轭梯度法,证明了该方法不依赖于任何线搜索具有充分下降性,在Armijo线搜索下证明了算法具有全局收敛性。数值试验结果表明:在Armijo线搜索下,该方法比Necu-lai,Andrei提出的方法有效;并且4种测试函数的数值结果显示:新方法明显优于谱DY算法,也较谱FR算法有效;可以和谱PRP的计算效能相媲美,故算法具有良好的计算效能。     

一种修正的DY共轭梯度法及全局收敛性

为寻求同时具有良好的收敛性和数值表现的共轭梯度法,在Wolfe线搜索下,构造一种修正的DY共轭梯度法.该算法产生的搜索方向为充分下降方向,这一性质与所采用的线搜索方法无关.在Wolfe线搜索的条件下证明该算法具全局收敛性.研究结果表明:算法是有效的,尤其对大规模无约束优化问题.     

一种Wolfe线搜索下HS和DY混合共轭梯度算法

针对无约束最优化问题,在HS方法和DY方法的基础上,结合二者的优势,提出了一种求解无约束优化问题的混合共轭梯度算法,并在Wolfe线搜索下证明了该算法的全局收敛性.     

一类新合成的共轭梯度算法

结合已有修正的DY共轭梯度方法和修正的HS共轭梯度方法的优点,提出了一种求解无约束优化问题的新共轭梯度方法,证明了该算法具有全局收敛性,同时还证明了该算法在强Wolfe线搜索下具有充分下降性。     

Armijo搜索下的谱共轭梯度法

基于Hager-Zhang提出的共轭梯度法,构造了一种新的谱βk,证明了该方法不依赖于任何线搜索就具有充分下降性,并且在Armijo搜索下证明了算法的全局收敛性。数值试验表明,该方法明显优于谱DY、谱FR、谱PRP算法。     

一种充分下降的CD共轭梯度法及其收敛性

基于已有的CD方法,提出了一种改进的CD共轭梯度法(MCD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;并在一定的条件下证明了该算法基于Wolfe线搜索求解非凸优化问题的全局收敛性.     

一种线搜索下DY共轭梯度法的全局收敛性

利用王长钰等人提出的一种新型线搜索条件对Dai-Yuan非线性共轭梯度法进行了研究。根据这一新型的线搜索条件,结合DY共轭梯度法的方向计算公式,我们在文中提出了一个求解非线性无约束优化问题的算法。当搜索方向为下降方向时,给出了算法的全局收敛性结果及证明过程。     

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.     

在Armijo型线搜索下LS方法的全局收敛性

提出一种新的Armijo型线搜索，并证明了在此搜索下LS方法的全局收敛性。新Armijo型线搜索能够使LS方法找到合适的初始步长，从而使LS方法更好的运行。数值试验表明在新Armijo型线搜索下的LS方法是有效的。     

一种修正HS共轭梯度法的全局收敛性

对HS算法进行了修正,在非单调线搜索下,该方法保证每次迭代中的搜索方向是充分下降的。在较弱的条件下,证明了此类非单调修正HS算法具有全局收敛性。最后对算法进行了数值试验,试验结果表明,该算法具有良好的收敛性和有效性,尤其适合求解大规模无约束优化问题。     

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.     

Armijo型线搜索下的谱CD共轭梯度法

提出了一种新的非线性修正的谱CD共轭梯度算法。该算法得到的搜索方向为下降方向,它既不受线搜索规则的影响,也不受目标函数的凸性影响。同时算法在精确线搜索条件下能够诱导出标准的CD共轭梯度方法。给出的新方法在两种不同Armijo型线搜索规则下具有全局收敛性,数值实验结果显示了新算法的可行性。