一类具有充分下降性的DL共轭梯度法

针对无约束优化问题,利用两项共轭梯度法(DL方法)去逼近改进的HS三项共轭梯度法,提出了改进的DL共轭梯度法即MDL共轭梯度法.该方法相对于DL方法具有一个更好的性质,即该共轭梯度法的搜索方向不依赖任何线搜索就可满足充分下降条件,理论上证明了该方法在Wolfe线搜索条件下对一般函数具有全局收敛性.     

一种线搜索下三项共轭梯度法的全局收敛性

文章〈Hestenes-Stiefel共轭梯度法的全局收敛性〉中提出一新型线搜索条件,根据这一新型的线搜索条件以及一般三项共轭梯度法的方向计算公式,证明了一般三项共轭梯度法在这一线搜索下的全局收敛性.     

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.     

一个修正的三项LS共轭梯度法

基于已有的共轭梯度法的思想,提出了一个三项LS共轭梯度方法,该方法能保证搜索方向在不需要任何线搜索下具有充分下降性,并在适当条件下获得此方法对一般函数的全局收敛性.     

非精确线搜索条件下共轭梯度法的收敛性分析

对Hideaki与Yasushi提出的两种使用目标函数值的共轭梯度法进行了研究,在一种新的Wolfe型线搜索条件下分析了它们的收敛性质.通过讨论可知,在其它的非精确线搜索条件下这两种共轭梯度法也是可行的.最后的数值试验表明了所给共轭梯度法的有效性.     

一个新的PRP共轭梯度法的全局收敛性

提出了一个不依赖线搜索且具有充分下降性的新的共轭梯度法(ZPRP法),并证明了ZPRP方法在强Wolfe搜索条件下全局收敛.     

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。     

一种改进的DY-型共轭梯度法的全局收敛性

利用张秀军等人提出的一种新型线搜索条件对新的DY-型共轭梯度法进行了研究.根据这一新型线搜索条件,提出了一个求解非线性无约束优化问题的算法,并证明了算法的全局收敛性.     

一种新的求解无约束规划的共轭梯度法

研究无约束优化问题的共轭梯度法,推导出一种新的共轭梯度法,算法在新Wolfe线搜索条件下具有充分下降性与全局收敛性.     

带有最优参数选择的修正DL共轭梯度法

利用矩阵条件数的求解方法,求解基于MBFGS割线条件的修正DL共轭梯度法中的参数t,提出带有优选参数的修正DL共轭梯度法;假设搜索方向有下降性,并通过强Wolfe线搜索求解步长,证明了新的共轭梯度法对一般函数有全局收敛性;最后比较了新的共轭梯度法的数值有效性。     

非线性无约束优化问题的新共轭梯度法

在DY共轭梯度法的基础上,给出一个新的共轭梯度法公式,在精确线搜索下该公式等价于DY公式.建立了基于新参数公式并采用Wolfe线搜索的共轭梯度算法,证明了算法满足下降性和具有全局收敛性,初步的数值实验结果表明该方法是有效的,适合于求解非线性无约束优化问题.     

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.     

一种修正三项Hestenes-Stiefel共轭梯度投影算法及其应用

提出一种新的修正三项Hestenes-Stiefel共轭梯度投影算法, 用于求解大规模非线性方程组问题和信号恢复问题. 该算法通过构造一个新的修正Hestenes-Stiefel搜索方向, 结合经典线搜索方法和超平面投影技术而得, 新搜索方向在不需要任何线搜索条件下自动满足充分下降性, 在常规假设条件下, 新算法具有全局收敛性质. 数值实验结果表明,  新算法高效且稳定.     

Armijo线搜索下一个杂交共轭梯度法及其强收敛性

@@@@讨论无约束优化问题,提出了一个新的杂交共轭梯度法公式。基于新公式,采用Armijo型线搜索条件确定步长,建立了一个杂交共轭梯度算法,在常规假设条件下证明了新算法的下降性和强收敛。     

在非单调线搜索下的CD共轭梯度法的收敛性

对CD共轭梯度法给出一种新的非单调线搜索方法,并证明了在这种非单调线搜索方法下能保证原CD共轭梯度法的全局收敛性.     

标准Wolfe线搜索下修正的DY共轭梯度法

研究无约束优化问题的共轭梯度法,在DY共轭梯度法的基础上,提出一种新的共轭梯度法公式,在标准Wolfe线搜索条件下,证明了算法的充分下降性与收敛性,初步的数值实验结果表明该算法是有效的.     

一个新的修正HS共轭梯度法及全局收敛性

提出了一个新的修正HS共轭梯度算法解决无约束优化问题,该算法的特点是,搜索方向总是目标函数的下降方向,且不依赖于使用何种线搜索;特别是,若使用精确线搜索,该算法退化成标准的HS共轭梯度法.且在适当的假设条件下,证明了文章提出的算法具有全局收敛性,最后数值实验表明,文章提出的算法是可行的.     

具有充分下降性的修正型混合共轭梯度法

基于已有的共轭梯度法思想,分别对两种混合共轭梯度法的搜索方向进行修正,使得新的修正型混合共轭梯度法在每步迭代都不依赖于任何线搜索而自行产生充分下降方向。在适当的条件下,证明了新算法在Wolfe线搜索下的全局收敛性。数值实验表明该方法是有效的。     

改进的多参数非线性共轭梯度法的全局收敛性

利用共轭条件,提出一个改进的多参数共轭梯度法,并证明了算法在SWP线性搜索下具有全局收敛性.     

一类充分下降的谱共轭梯度法

首先基于共轭梯度法的共轭条件和下降性,提出了一类充分下降的谱共轭梯度法.该方法将经典共轭梯度法中搜索方向由原来的只满足一个共轭条件改变为同时满足一个共轭条件和一个下降条件;然后,在Wolfe线搜索下用反证法证明了新算法的全局收敛性;最后,通过12个算例,将新算法和已有SHS算法在迭代次数和计算时间方面进行了数值比较实验,比较结果表明新算法在这两个方面都明显优越于SHS算法.算法的全局收敛性和数值结果的优越性表明,新算法是一个值得研究的方法.