一个新的混合共轭梯度法及其收敛性

共轭梯度方法是求解无约束优化问题的一种有效的方法,特别是在大规模的计算问题中极其有效.提出了在新的线搜索下的一种混合共轭梯度方法,并证明了它的全局收敛性.     

一类共轭梯度算法的收敛性

对无约束最优化问题minfx∈R^n（x）,提出了一类与βk^HS相关的共轭梯度算法,采用强Wolfe搜索,在较弱的条件下,证明了其充分下降性和全局收敛性．     

LS-共轭梯度算法的收敛性

对无约束规划 (P) :minx∈Rnf(x) ,其中 f(x)是Rn→R1上的二阶连续可微函数 ,通过引入强迫函数和逆连续模函数 ,证明了一类采用Curry Altman步长规则的LS 共轭梯度算法的全局收敛性质 ,利用比较原理进一步讨论了LS 共轭梯度算法在采用另外三种步长规则下的全局收敛性     

改进的FR共轭梯度算法及其全局收敛性

给出一种求解无约束优化问题的改进的FR共轭梯度算法,证明该算法在强Wolfe线搜索下具有充分下降性和较好的全局收敛性,并用数值试验说明新算法是有效的。     

一个修改的HS共轭梯度算法及其收敛性

给出一个修改的HS共轭梯度方法,该方法能保证参数βk非负且搜索方向在不需要任何线搜索下具有充分下降性.在适当条件下证明此方法对一般目标函数具有全局收敛性,同时给出数值检验结果.     

引入扰动因子的共轭梯度算法及其收敛性

为了改善非线性规划理论中用于求解无约束问题的共轭梯度法收敛速度与数值表现不统一的现状,提出一种改进的共轭梯度法。结合不同共轭梯度法的优势,加入扰动参数,选取新的参数标量和搜索方向迭代公式,并证明了该方法在Wolfe搜索下的全局收敛性,最后给出了数值算例。通过与其他方法迭代效果相比较,进一步验证了所提方法的有效性,达到加快收敛速度,提高优化效率的目的。     

一种新的混合的共轭梯度算法的全局收敛性

文章提出了一个新的混合共轭梯度法,它可以被看作是HS和DY的凸组合方法,并证明了在Wolfe条件下具有全局收敛性,它为一个算法的实际应用提供理论依据.     

一类混合的FR-PC共轭梯度法及其全局收敛性

提出了一种混合的FR-PC共轭梯度法,该法每步迭代都可自动产生一个充分下降方向.分别在Wolfe搜索和固定步长公式下证明了算法的全局收敛性,数值实验说明算法是有效的.     

PR共轭梯度算法的全局收敛性

给出一种新的Armijo型的线搜索,在该搜索下PR共轭梯度算法能保证无约束最优化问题的全局收敛性。     

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.     

一类共轭梯度算法的收敛性分析

对解决无约束最优化问题提出一种包含了四种经典共轭梯度法的双参数共轭梯度法簇,并结合修改后的Armijo线搜索技术,证明了新的双参数共轭梯度法簇具有全局收敛性.     

LS—共轭梯度算法的收敛性

对无约束规划（P）：minx∈R^nf(x)。其中f(x)是Rn→R^1上的二阶连续可微函数，通过引入强迫函数和逆连续模函数，证明了一类采用Curry-Altman步长规则的LS-共轭梯度算法的全局收敛性质，利用比较原理进一步讨论了LS-共轭梯度算法在采用另外三种步长规则下的全局收敛性。     

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.     

一类混合共轭梯度算法

改进了戴志锋,陈兰平提出的HS-DY混合共轭梯度法,扩大了参数凤的取值范围,基于同样的考虑,给出了DY与PRP算法相结合的混合共轭梯度法,在Wolfe线搜索下不需给定下降条件即证明了它们的全局收敛性,数值实验表明这类的算法十分有效。     

一族共轭梯度算法的全局收敛性

提出了一族计算βk的新公式,即提出了一族新的共轭梯度法,证明了一种非精确线怀搜索能够保证这种方法的下降性和全局收敛性。     

一种共轭梯度算法的全局收敛性

本文提出了一种计算βk的新公式，即提出了一种新的共轭梯度法，证明了一种非精确线性搜索能够保证这种算法的下降性和全局收敛性．     

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.     

一类混合CD-LS共轭梯度法的全局收敛性

为了寻找同时具有良好的收敛性和数值表现的共轭梯度法.将CD方法和LS方法结合,选用推广的Wolfe线搜索,构造出一类新的混合共轭梯度法.新的混合共轭梯度法不需要限制推广的Wolfe线搜索条件中的参数,但得到的下降性与CD法一致,具有比CD方法更好的收敛性,并具有全局收敛性.对新算法进行数值试验,通过与CD法和LS法的数值结果进行比较,表明新算法是可行的,尤其对大规模无约束优化问题.     

一类求解无约束问题的混合参数共轭梯度法及全局收敛性

提出一类混合参数共轭梯度法,在步长满足Wolfe线搜索的条件下,算法产生的搜索方向是下降方向.在适当的条件下,算法是全局收敛的.     

一类新的混合共轭梯度算法

共轭梯度算法在无约束最优化问题中有着广泛应用.现给出的一类新的共轭梯度算法,在迭代过程中保持了下降性质;在一般Wolfe线搜索条件下,新算法是全局收敛的.