结合Armijo步长搜索的新三项共轭梯度算法及其收敛特征

对求解无约束优化问题提出了一类新的三项共轭梯度求解算法,在去掉迭代点列{xk}有界和Armijo步长搜索下,讨论了算法的全局收敛性,同时给出结合FR、PR、HS共轭梯度参数的三项共轭梯度算法,数值算例表明新算法比Armijo步长搜索下的FR、PR、HS共轭梯度算法有效。     

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。     

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.     

解非线性单调方程组的三项HS投影算法

基于著名的HS共轭梯度算法,提出了一种无导数三项HS投影算法,证明了该算法对非线性单调方程组的全局收敛性.由于新算法继承了HS共轭梯度算法储存量小的优点且无需计算任何导数,因而它可以求解大规模非光滑的非线性单调方程组.数值试验表明,新算法对给定的测试问题是有效的和稳定的.     

求解非线性单调方程组的修正 三项PRP投影算法

针对求解大规模非线性单调方程组问题,克服其他算法计算复杂、存储量需求和计算量大等不足,基于经典PRP(Polak-Ribière-Polyak)共轭梯度法,设计了一种新的搜索方向公式,结合单调线搜索技术和投影算法,提出一种修正三项PRP投影算法.新算法具有充分下降性和信赖域特征等优点,在适当的条件下新算法具有全局收敛性.初步数值试验结果表明,新算法对选取的测试问题上是有效的,数值表现总体上优于经典PRP共轭梯度法,适合于求解大规模非线性单调方程组.     

一种修正的三项PRP共轭梯度法

为了更有效求解一类大规模无约束优化问题,克服其他算法普遍存在的算法较为复杂,存储量大和计算机编程难等不足,在传统三项PRP共轭梯度法的基础上,结合近年来关于三项共轭梯度法和新型线搜索的研究成果,定义了一种新的搜索方向,并采用一种新型的线搜索构建了算法,证明了其具有自动充分下降和信赖域的性质,并在适当的条件下证明了其全局收敛性。数值试验结果表明,在求解一类大规模无约束优化问题上新算法比传统三项PRP共轭梯度法更具有竞争性。具有良好收敛性质的新算法为解决一类求解大规模无约束优化问题提供了更高效的算法依据。     

一种三项CD共轭梯度法及其全局收敛性

在前人提出的三项PRP共轭梯度法的基础上,提出了一种三项CD共轭梯度法.与以往求解无约束优化问题的经典二项共轭梯度法不同,该算法的搜索方向是三项的,且在任何线性搜索下都具有充分下降性.在适当的条件下,证明了三项CD共轭梯度法在强Wolfe线性搜索下具有全局收敛性.     

最速下降法和共轭梯度的混合算法及全局收敛

将最速下降法与共轭梯度法有机结合起来,构造出一种混合优化算法,并证明其全局收敛性.这种混合优化算法结合了共轭梯度法和最速下降法产生搜索方向,既提高了共轭梯度算法的收敛速度,又解决了目标函数的等值线是扁长椭球时,最速下降法下降缓慢的问题,具有收敛速度快、收敛范围大、适应面广等特点.文中的算法实例表明,混合算法与单纯的共轭梯度法相比,效果更优.     

基于Wolfe线搜索的修正共轭梯度算法

为解决大型无约束优化问题,设计新的修正参数公式,建立基于Wolfe线搜索的共轭梯度算法和谱共轭梯度算法,证明了新算法的下降性和全局收敛性.初步的数值实验表明算法是有效的.     

修正的HS共轭梯度算法的全局收敛性

对求解无约束优化问题的共轭梯度法中的方向参数给定新的区间取法,将HS共轭梯度参数限制在此区间上,保证搜索方向是目标函数的充分下降方向,在此基础上提出了修正HS共轭梯度算法(MHS),并在较弱的条件下讨论了新算法在广义Armijo步长搜索下的全局收敛性.数值试验结果表明,新算法比广义Armijo步长搜索下的FR、PR、HS共轭梯度算法有效.