约束优化问题的一个非单调变尺度投影算法

变尺度方法是求解优化问题的重要方法之一,本文利用投影算子建立了求解约束优化问题的一个变尺度投影算法,而且算法使用了非单调搜索,放松了每步迭代中对搜索的限制,并进一步证明了算法的全局收敛性．     

非线性约束规划快速收敛的共轭投影变尺度法

本文讨论非线性等式约束规划问题，给出了问题的一种共轭投影变尺度算法．方法利用变尺度法，梯度投影法及共轭方向法相结合的思想直接给出主搜索方向和辅助方向显式表达式，以罚函数为效益函数，不需解任何二次子规划．在较温和的假设下，算法具有全局收敛性和超线性收敛性．     

非线性优化的广义投影梯度变尺度法

利用投影技术和变尺度矩阵相结合的方法,建立了求解非线性等式与不等式优化问题的广义投影变尺度方向算法.并在一定条件下证明了了算法的收敛性.     

一个求解线性约束的非线性规划的变尺度方向广义投影内点算法

基于内点算法的思想，利用广义投影技术构造了一求解线性约束的非线性规划问题的变尺度方向内点算法，并给出了其收敛性证明。     

线性约束优化问题的共轭梯度型算法及其收敛性

将共轭梯度法与广义投影技术相结合，给出了一个求解带线性等式、不等式约束优化问题的共轭梯度型算法，证明了算法的性质及全局敛性，首次将共轭梯度法推广应用于求解带约束条件的优化问题。     

一类超线性收敛的广义投影非拟牛顿算法

结合广义投影算法与非拟牛顿法，给出了求解线性约束非线性规划问题的一类带有非精确线搜索的新算法。在一定的条件下，我们证明了该算法的全局收敛性和超线性收敛性。     

线性约束优化问题拓广的广义梯度投影算法

在去掉非退货假设条件下，提出了求解线性约束的非线性最优化问题的一个拓广的广义梯度投影算法，并在广义Armijo步长探索下证明了算法的全局收敛性质。     

非线性约束优化问题的广义投影变尺度方向算法

对非线性约束优化问题已有许多梯度投影的有效算法，由于搜索方向是由投影梯度得到的。因而收敛速度慢，利用投影技术和变尺度矩阵相结合的方法，成功地建立了求解非线性约束优化问题的广义投影变尺度方向算法，并给出了算法的收敛性定理。     

非线性约束优化问题的广义投影变尺度方向算法

对非线性约束优化问题已有许多梯度投影的有效算法，由于搜索方向是由投影梯度得到的，因而收敛速度慢。利用投影技术和变尺度矩阵相结合的方法，成功地建立了求解非线性约束优化问题的广义投影变尺度方向算法，并给出了算法的收敛性定理。     

一个改进的变尺度方向算法及其收敛性证明

利用广义投影技术建立了改进的解非线性约束规划的变尺度方向算法，并在较弱的条件下证明了其收敛性。     

一个超线性收敛的广义投影序列方程组算法

讨论了非线性不等线约束最优化问题,在较温和条件下,采用广义和投影和序列线性方程相结合的技术,建立一个新的可行下降算法,证明了算法的全局收敛性和超线性收敛性。该算法每交迭代只需解２个线性方程组。     

一个新的求解等式约束优化问题的信赖域算法的超线性收敛分析

对文[1]提出的一个求解等式约束优化问题的信赖域算法进行超线性收敛分析.     

非线性规划的一个超线性收敛算法

本文利用系列二次规划技术,给出非线性规划问题min{f(x)lA_1x=b~1,A_2x=b~2}的一种可行方向法。在一定的假设下证明了算法的全局收敛性和超线性收敛速度。     

非线性约束条件下的广义投影梯度法

对非线性约束条件下的优化问题提出了三个广义投影梯度方法。算法Ａ能够求解非线性不等式约束优化问题。在此基础上，又提出了能够求解非线性等式和不等式约束优化问题的算法Ｂ．进一步，通过简化算法Ａ，又给出了能够专门求解一般线性约束优化问题的算法Ｃ．并且在较弱的假设下，证明了三个方法的全局收敛性。     

非线性规划的超线性收敛算法

本文概述了非线性规划中的两类超线性收敛算法的基本原理和发展,指出了信赖域方法是值得人们注意的一个方法。     

非线性约束条件下的共轭投影梯度法

针对非线性等式和不等式约束优化问题,结合罚函数法,提出了一个共轭投影梯度法,在适当的假设条件下,证明了该方法的全局收敛性,由于使用了目标函数的二阶导数信息,该算法的超线性收敛速度也能得到保证,数值结果表明,该算法是有效的。     

非线性约束优化的一个共轭投影梯度法及其全局收敛

针对非线性等式和不等式约束优化问题,结合罚函数法,提出一个共轭投影梯度法,并证明该方法的全局收敛性,给出有效的数值实验.     

利用Fisher函数解约束优化问题的广义梯度投影算法

通过引入一个辅助优化问题,将广义投影与罚函数技巧和F isher函数(a,b)=a2 b2-(a b),a,b∈En的特殊性质:a2 b2-(a b)=0 a≥0,b≥0,ab=0结合起来,给出处理非线性等式、不等式约束问题的广义梯度投影算法,并证明该算法是全局收敛的.该算法不仅保持文献[6]的优点,而且还扩大了初始点的选择范围.