无约束多目标优化的一种新的下降算法

基于无约束多目标的最速下降法,提出了无约束多目标优化问题的一种新的下降算法,并证明了该算法在Armijo线性搜索下的收敛性.数据试验结果验证了该算法的有效性.     

求解无约束优化问题的Dai-Yuan记忆梯度法

将Dai-Yuan共轭梯度法的前提条件βk>0改为βk<0,根据搜索方向的下降性要求,得出一个新的记忆梯度法,并做出了收敛性证明.新算法与Dai-Yuan共轭梯度法联系紧密.数值实验表明了该算法的有效性.     

无约束函数极小的无二维搜索的记忆梯度法

无约束函数极小的记忆梯度法在每次迭代需要作一次二维搜索。本文建立了一个无二维搜索的记忆梯度法,把二维搜索转化成两个线搜索.从而减化了计算工作量。     

无约束优化的修正谱梯度法

在Barzilai-Borwein(BB)谱梯度法的基础上,利用相关文献中的修正拟牛顿条件,给出一个采用杂交谱梯度步及新型非单调Armijo线搜索的修正谱梯度法,在较弱的条件下证明了算法具有全局收敛性,并对相应算法进行数值实验,结果表明该方法比原BB方法更有效,给出的步长公式为谱梯度法提供了新的步长选择.     

一类记忆梯度法的收敛性

研究一类新的记忆梯度法,算法利用当前点的负梯度和前一点的搜索方向的线性组合为搜索方向,以强wolfe线搜索确定步长,并证明了算法具有全局收敛性,当目标函数一致凸时讨论了收敛速度．     

无约束优化问题的一个新的杂交共轭梯度法

给出一个新的杂交共轭梯度法．不仅其全局收敛性很容易被证明,而且它避免了产生小步长的倾向．此外,该方法在初始数值结果方面比PRP方法好．     

无约束优化的超记忆梯度法及其全局收敛性

提出一类新的求解无约束优化问题的超记忆梯度法,并在较弱条件下证明了算法的全局收敛性.当目标函数为一致凸函数时,对其线性收敛速度进行了分析.     

一种求解无约束优化问题的共轭梯度法

共轭梯度法是求解大规模无约束问题的一种有效方法,本文针对算法的优劣主要依赖于步长因子和搜索方向的特点,结合共轭梯度法的共轭性质,在HS方法和DY方法的基础上,提出了一种混合共轭梯度法,并证明了全局收敛性.     

求解无约束问题的一个杂交共轭梯度法

给出了一个基于PRP方法的新的杂交共轭梯度法，并在适当的条件下，证明了新算法的全局收敛性．数值结果表明提出的算法是有效的．     

一种无约束优化问题的谱共轭梯度法

提出了一种新的谱共轭梯度法,证明了该方法不依赖于任何线搜索具有充分下降性,在Armijo线搜索下证明了算法具有全局收敛性。数值试验结果表明:在Armijo线搜索下,该方法比Necu-lai,Andrei提出的方法有效;并且4种测试函数的数值结果显示:新方法明显优于谱DY算法,也较谱FR算法有效;可以和谱PRP的计算效能相媲美,故算法具有良好的计算效能。     

一类新的曲线搜索下的记忆梯度法

提出一类新的求解无约束优化问题的记忆梯度法,在较弱条件下证明了其全局收敛性.新算法有如下特点:(1)采用曲线搜索方法,在每步迭代时同时确定下降方向和步长;(2)利用当前和前面迭代点的信息产生下降方向,无需计算和存储矩阵,适于求解大型优化问题.     

一类Armijo搜索下的记忆梯度法及其全局收敛性

通过构造新的kβ,提出了一种新的无约束优化问题的记忆梯度算法,同时在Armijo线搜索下分析了该算法的全局收敛性,数值实验表明了新算法的有效性。     

关于超记忆梯度算法的收敛性

超记忆梯度算法是无约束优化的有效算法之一 .它的特点是在每步迭代时充分利用前面迭代点的信息 ,增加了参数选择的自由度 ,有利于构造稳定的快速收敛的算法 ,适于求解大规模无约束优化问题 .该文研究一种超记忆梯度算法 ,在较弱的条件下证明了算法的全局收敛性 .     

一种求解无约束优化问题的新混合共轭梯度法

在现有共轭梯度方法的基础上,提出一种新混合共轭梯度法来求解无约束最优化问题.该方法采用近似方法去逼近Hessen矩阵,克服了传统牛顿法求解Hessen矩阵中存在的计算量大等问题,并在强wolfe线搜索技术下给出该共轭梯度算法的全局收敛性证明.实验结果表明,与PRP(Polak-Ribiere-Polyak)方法和HYBRID(混合)方法相比较,该文提出的新混合共轭梯度算法的迭代时间少于前两者方法,说明该文方法可行、有效.     

一类新的强Wolfe线性搜索下的记忆梯度法

研究一类新的无约束优化记忆梯度算法,并在强Wolfe线性搜索下证明了其全局收敛性．当目标函数为一致凸函数时,对其线性收敛速率进行了分析．     

一类无约束优化问题的非单调共轭梯度法

主要研究了一类在推广的线搜索条件下的非单调共轭梯度法，并在较弱的假设条件下证明了其全局收敛性。     

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.     

一类无约束优化问题的非单调谱共轭梯度方法

结合文献[5]给出的求解非线性无约束优化问题的新公式βkWYL=[gTk(gk-‖gk‖/‖gk-1‖gk-1)]/gk-1Tgk-1提出了一种新的非单调谱共轭梯度法,证明算法具有全局收敛性,并进行数值试验.数值试验结果表明,该方法具有良好的计算效能,特别适合于求解大规模无约束优化问题.     

求解无约束优化问题的一类谱共轭梯度法

针对无约束优化问题,提出一类谱共轭梯度法.谱共轭梯度法是对TS、GN及MPRP方法的修正,使得在任何线性搜索条件下都具有充分下降性.并且在Armijo型线性搜索条件下,证明了该类算法的全局收敛性.与GN、SFR及MPRP方法进行比较,数值结果表明:谱共轭梯度法是可行的,特别对于大规模无约束优化问题更有效.     

无约束优化中新的共轭梯度方法

提出一个新的解决无约束最优化问题的非线性共轭梯度公式,该公式满足充分下降条件,采用这个公式和弱Wolfe条件的方法是全局收敛的.初始的数值结果表明,该方法是有前景的.