一种修正凸组合下降方向的求解单调非线性方程组的算法

文章对求解单调非线性方程组的凸组合下降方向算法进行修正,并通过数值实验将修正算法和凸组合下降方向算法的数值结果进行比较,得出修正算法优于原算法的结论．     

一种求解单调非线性方程组的凸组合算法

将求解单调非线性方程组的CGD算法和MPRP算法的下降方向进行凸组合,构造出新的下降方向,从而提出新的算法,并给出新算法的全局收敛性定理.通过数值实验比较新算法与CGD算法和MPRP算法的结果,可知新算法优于原算法.     

一种具有充分下降性的新混合型共轭梯度法

对PRP法和FR法进行凸组合,提出了一种求解无约束优化问题的新共轭梯度法.该方法总是能生成一个充分下降方向,且它的凸组合参数为Babaie-Kafaki和Ghanbari的推广形式.在Wolfe线搜索条件下,新算法的全局收敛性得以建立,数值结果也说明提出的算法是有效的.     

求解单调非线性方程组的凸组合算法的收敛性

将求解单调非线性方程组的MPRP算法和CGD算法的下降方向进行凸组合,构造出新的下降方向,提出新的算法,并证明新算法是全局收敛的.     

基于凸组合技术的加速FR型共轭梯度算法

为高效求解非线性方程组问题,利用凸组合技术设计一个新型搜索方向,同时结合加速线搜索技术,提出一个新的加速FR型共轭梯度算法。在合理的假设下,新算法拥有全局收敛的良好性质。数值试验结果表明,新算法总体上优于经典FR算法和三项FR算法。新算法继承了修正FR方法的良好数值效果、充分下降性及信赖域特征,并具有计算简单和存储量小的特点。     

非精确求解凸规划的部分交替方向算法

为了求解一类带有三个可分离算子的凸规划问题, 本文得到一种非精确的部分交替方向算法, 给出了新算法的一个下降方向和沿着这个下降方向的最优步长, 并在合理的假设下证明了该算法的全局收敛性. 数值试验表明该算法有效且易于执行.     

求解不可微凸可行问题的一种新算法

针对传统算法无法得到不可微函数下降方向的困难,结合方向导数信息,提出了不可微凸可行问题的一种直接算法.首先,为避免在每次迭代过程中计算投影,将凸可行问题转化为求解极大值函数的0-水平集中元素的问题;然后利用方向导数信息构造出下降方向,并且运用一维搜索法确定步长.证明了算法的收敛性,该算法无需利用梯度或次梯度,只需用到函数值信息,易于实现,数值试验表明了该算法的有效性.     

解约束凸规划问题的改进势函数下降算法

介绍了一种利用改进的势函数下降内点算法来求解带线性约束的凸规划问题,在不能保证Hessian矩阵半正定的迭代中,用势函数的投影下降方向代替原势下降内点算法的搜索方向,最后给出一组算例。     

解一类凸优化问题的部分非精确交替方向法

针对一类具有三个可分离算子的凸型优化问题，提出一种部分非精确的交替方向算法，得到了算法的一个下降方向和沿着这个下降方向的最合适的步长，在合理的假设下，算法的收敛性得到了证明，数值试验表明这种方法具有较好的效果.     

无约束优化的信赖域算法

提出了一种无约束优化问题的信赖域算法。根据原优化问题的二次近似模型,运用拟牛顿方向与最速下降方向之凸组合作为搜索方向,采用了新的策略。进行了收敛性分析,得到整体收敛及局部二次收敛性结果,并给出了算法的执行过程及算例。     

最优化问题一个强收敛的强次可行方向法

讨论非线性等式与不等式约束最优化,用广义投影技术和强次可行方向法思想,建立一个初始点任意的新算法,该算法不仅具有全局收敛性,且搜索方向是强次可行下降的,从而得出更好的强收敛性。     

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。     

一种新线性搜索下的共轭梯度法

文章给出了一种新的非精确线性搜索下的共轭梯度法,说明了在新线性搜索下每次迭代能够产生下降方向.证明了新线搜索下FR共轭梯度算法的全局收敛性.     

一类非精确线性搜索下共轭梯度法的收敛性分析

给出了一类新的非精确线性搜索,说明了在新的线性搜索下每次迭代产生下降方向．证明了此类共轭梯度算法具有全局收敛性．     

Modified Levenberg-Marquardt algorithm for source localization using AOAs in the presence of sensor location errors

In this paper,by utilizing the angle of arrivals （AOAs） and imprecise positions of the sensors,a novel modified Levenberg-Marquardt algorithm to solve the source localization problem is proposed.Conventional source localization algorithms,like Gauss-Newton algorithm and Conjugate gradient algorithm are subjected to the problems of local minima and good initial guess.This paper presents a new optimization technique to find the descent directions to avoid divergence,and a trust region method is introduced to accelerate the convergence rate.Compared with conventional methods,the new algorithm offers increased stability and is more robust,allowing for stronger non-linearity and wider convergence field to be identified.Simulation results demonstrate that the proposed algorithm improves the typical methods in both speed and robustness,and is able to avoid local minima.