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。     

一类具有充分下降性修正的DL共轭梯度法

基于DL共轭梯度方法,提出了一类修正的DL方法来解决无约束优化问题.该方法相对于DL共轭梯度方法具有一个更好的性质,即在强Wolfe线搜索条件下搜索方向具有充分下降性;证明了该方法在强Wolfe线搜索条件具有全局收敛性.     

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.     

具有充分下降性的共轭梯度法及其收敛性

提出了一类新的共轭梯度方法.该方法无需线搜索而具有充分下降性,在Wolfe-Powell线搜索下该方法具有全局收敛性.数值试验表明该方法具有良好的数值结果.     

一个具有充分下降性质的共轭梯度法

通过逼近无记忆BFGS方法,提出了一个新的共轭梯度法,该方法不依赖线搜索具有充分下降性质.此外,还建立了该方法在标准Wolfe线搜索下对于一致凸函数及一般函数的全局收敛性.     

一类具有充分下降性的共轭梯度算法

在一些著名的共轭梯度算法基础之上,提出一类新的共轭梯度算法,用于求解无约束优化问题.该方法在不依赖于任何线搜索的情况下能够保证充分下降性,且在Wolfe线搜索下证明了算法具有全局收敛性.数值结果表明新提出的算法是有效的.     

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.     

Wolfe线搜索下具有充分下降性的混合共轭梯度法

共轭梯度法存储量低,运算简洁,对于求解大规模无约束优化问题非常有效。通过对PRP算法进行修正,提出一种新的混合共轭梯度法,在Wolfe线搜索下,每一步迭代都产生充分下降方向,在常规的假设条件下证明提出的算法具有全局收敛性。实验结果表明提出的算法对解决优化测试问题是有效的。     

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.     

一种充分下降的共轭梯度法

在Dai-Liao共轭梯度法的基础上,提出了一种修正的共轭梯度法,该算法在强Wolfe线性搜索和精确线性搜索下具有充分下降性.同时,在确定步长的过程中,如果出现某个步长很小,则该算法的搜索方向会自动的接近当前迭代点的负梯度方向.     

一类充分下降共轭梯度法的全局收敛性

给出一类搜索方向采用保守策略的新型共轭梯度法,在常规假设条件下得到了算法的全局收敛性结果,并给出算法的数值实验结果.结果表明:相应的算法分别在强Wolfe非精确线搜索参数σ1/4,1/3,1/2的情形下充分下降;新算法适合于求解大型无约束优化问题.     

一种自动充分下降的共轭梯度法

设计了一个新的含参数的共轭梯度公式,此公式自动拥有充分下降性质,在适当条件下,新算法在WWP线搜索下全局收敛.数值实验结果表明新算法是有效的,适用于无约束优化问题的求解.     

一类充分下降的混合CD-LS共轭梯度法

为了结合共轭下降（conjugate descent,CD)法良好的理论性质和Liu-Storey (LS)法较好的数值效果,以降低小步长对迭代的不良影响,以及使搜索方向的下降性独立于线搜索的选择。通过混合CD法和LS法的分子,对梯度函数进行了相应的修正。方向的充分下降性独立于线搜索的选取,可应用于多种线搜索;基于Wolfe线搜索,证明了算法的全局收敛性。42类无约束测试函数和图像去噪的结果表明,基于相同的终止条件所提出的算法的迭代次数和迭代时间均少于之前的3类共轭梯度算法。     

修正的HS谱共轭梯度方法

本文研究了无约束全局优化问题的求解问题,结合谱梯度算法的优点给出了一类求解该问题的HS谱共轭梯度算法。在这类算法中我们利用非精确的线搜索,得到了一些算例,并给出了计算结果和典型算法的一些比较。     

一种修正HS共轭梯度法的全局收敛性

对HS算法进行了修正,在非单调线搜索下,该方法保证每次迭代中的搜索方向是充分下降的。在较弱的条件下,证明了此类非单调修正HS算法具有全局收敛性。最后对算法进行了数值试验,试验结果表明,该算法具有良好的收敛性和有效性,尤其适合求解大规模无约束优化问题。     

求解非光滑问题的修正HS共轭梯度法

结合Moreau-Yosida正则化和非单调线搜索技术,提出一种求解非光滑问题的修正HS共轭梯度算法.推导出搜索方向自动满足充分下降条件,证明该算法在适当条件下具有全局收敛性.数值算例验证了该算法能够高效地处理非光滑极小化问题.     

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.     

一种充分下降的共轭梯度法及其收敛性

基于经典的共轭梯度法,提出一类具有充分下降性的共轭梯度法,并给出了该算法在弱Wolfe步长搜索下的全局收敛性.最后,进行了数值实验,数值效果和算法的全局收敛性表明该算法是有效的.     

充分下降的共轭梯度法簇及其全局收敛性

在双参数共轭梯度法的基础上,给出一类具有充分下降性的共轭梯度法簇,证明了相应的方法在非单调线搜索及弱Wolfe线搜索下对非凸目标函数全局收敛,并用数值实验表明该方法具有良好的数值结果.     

一种修正的HS共轭梯度法及其全局收敛性

对经典的HS共轭梯度法进行了修正,保证了搜索方向的充分下降性,这一性质在非精确线搜索和非凸函数情形下也是成立的.在适当的假设下证明了强Wolfe线搜索下算法的全局收敛性,数值实验表明算法数值效果良好.