解决一类优化问题的变分迭代法

考虑利用变分迭代方法求解最优化问题,分别给出了求解一般的有约束和无约束最优化问题的基本步骤,并通过实例说明了所给方法的有效性.     

一种含参数的修正HS共轭梯度法及其收敛性

提出了一种含参数的修正HS共轭梯度法,该算法具有性质:1参数βBHSk不仅具有梯度值的信息还具有函数值的信息;2参数βBHSk是非负的;3其产生的搜索方向是充分下降的。在合适的条件下,证明了该算法在弱的Wolfe线搜索下具有全局收敛性,数值结果证明了该算法对于求解无约束优化问题的有效性。     

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.     

求解无约束优化问题的一种混合共轭梯度法

文章给出了一个改进的共轭梯度公式及新公式的相关性质,新公式和DY公式结合得到一个混合共轭梯度法,新算法在Wolf线搜索下产生一个下降方向;并证明了算法的全局收敛性,给出了数值例子.     

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.     

基于锥模型的非单调自适应信赖域算法

基于锥模型,结合提出的新的自适应技术,建立了一个求解无约束最优化问题的非单调自适应信赖域算法.当试探步不被接受时,采用非单调线搜索,减少了计算量.充分利用包含当前迭代点信息的新的自适应策略调节信赖域半径.在适当的条件下,证明了算法的全局收敛性和Q-二阶收敛性.数值试验表明该算法是有效的.     

伪Newton-B族算法对一般目标函数的收敛性

针对无约束优化问题,将Goldstein非精确线搜索技术引入伪Newton-B族算法.在假设目标函数f(x)二阶连续可微有下界,水平集L={x|f(x)≤f(x(1))}有界的条件下,证明该算法对一般目标函数的全局收敛性,得到一个条件更弱的结论.     

一个新的非单调自动确定信赖域半径的信赖域算法

将非单调线搜索技术与自动确定信赖域半径的方法相结合,提出了求解无约束优化问题的一个新的非单调自动确定信赖域半径的信赖域算法.在假设对任意x1∈Rn,水平集L(x1)={x|f(x)≤f(x1)}有界,且目标函数f(x)在水平集L(x1)上连续可微;矩阵序列{Bk}一致有界的条件下证明了本算法的全局收敛性.数值结果显示本算法是有效的.     

Armijo线搜索下谱共轭梯度法全局收敛的一个充分条件

在一般假设下,提出并证明了Armijo线搜索下谱共轭梯度法全局收敛的一个充分条件,分析了充分条件的优越性。分析结果表明:1)该充分条件的一个推论是文献[9]中定理1弱化后的结果;2)谱参数对谱共轭梯度法的全局收敛性起着重要的调节作用;3)该充分条件为构造全局收敛的谱共轭梯度法提供了依据。     

无约束最大子序列求和改进算法

给出了无约束最大子序列求和的一种改进算法，在不增加复杂性的前提下，突破了美国Mark Allen Weiss教授在约束条件下对该问题求解的算法，即该算法不能计算所有整数为负数情况下的最大子序列和（否则，结果视为0），从而解决了针对所有整数的无条件约束最大子序列的求和问题．