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.     

新的修正的共轭梯度法

提出了求解无约束优化问题的一个新的修正共轭梯度法.证明了新方法在弱Wolfe-Powell线搜索下具有充分下降性和全局收敛性.数值结果表明,新算法对测试的检验函数是有效的.     

一种全局收敛的新共轭梯度法

基于共轭梯度法的研究,提出了一种新共轭梯度法,在标准Wolfe线搜索条件下证明了该算法的充分下降性及全局收敛性,最后与经典算法进行数值比对实验,其实验结果进一步说明了该方法的有效性与可行性.     

两个修正的DL共轭梯度法

基于带有割线条件的DL方法,提出了两个满足改进的割线条件的修正共轭梯度方法——MDDL1方法与WMDDL1方法.在步长满足Wolfe线搜索的条件下,证明了MDDL1方法具有充分下降性;进一步地证明了WMDDL1方法不依赖任何线搜索具有充分下降性;最后分析和证明了两个方法在步长满足强Wolfe线搜索的条件下对一般函数均具有全局收敛性.     

一种新线性搜索下的混合共轭梯度法

共轭梯度法是求解大规模无约束问题的一种有效方法，文章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。     

混合共轭梯度技巧

将ＰＲ法与ＦＲ法混合得到一个混合共轭梯度算法，并证明了全局收敛性。     

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。     

一种混合的共轭梯度法

共轭梯度法是求解大规模无约束问题的一种有效方法.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,提出一种改进的可以控制步长因子的混合的HS-DY共轭梯度法.数值试验表明算法具有良好的收敛性和有效性.     

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.     

一种新的混合共轭梯度算法

给出了一种新的求解无约束优化问题的混合共轭梯度算法,该算法的搜索方向下降性不依赖于任何线搜索条件,并在Wolfe-Powell线搜索条件下证明了该算法具有全局收敛性,同时还给出了比较好的数值结果。     

一个混合CD-LS共轭梯度法

在CD方法和LS方法的基础上,提出了一个混合的CD和LS共轭梯度法来求解无约束最优化问题;在适当的条件下,即可证明该方法在Wolfe线性搜索下对一般函数具有全局收敛性.     

修正LS共轭梯度法及其全局收敛性

提出一类求解无约束优化问题的修正LS共轭梯度法,算法采用一个新的参数公式．在适当条件下,证明算法满足充分下降条件,进而证明在采用广义Wolfe-Powell线搜索和强Wolfe-Powell线搜索时,算法全局收敛．初步的数值试验结果显示方法是有效的．     

一种新共轭梯度法的全局收敛性

在文献[4,5]的基础上,提出求解无约束优化问题的共轭梯度公式中βk参数的一种新的计算公式:kβ 1=μ‖gk 1‖2dTkyk,0<μ<1;对标准W olf搜索条件进行推广,得到一种新的算法,并证明了算法的全局收敛性.     

一类新合成的共轭梯度算法

结合已有修正的DY共轭梯度方法和修正的HS共轭梯度方法的优点,提出了一种求解无约束优化问题的新共轭梯度方法,证明了该算法具有全局收敛性,同时还证明了该算法在强Wolfe线搜索下具有充分下降性。     

强Wolfe条件下一类修正FR共轭梯度法

通过适当修正Fletcher-Reeves(FR)方法,提出了一类修正FR共轭梯度法方法(MFR*),并证明了MFR*方法在强Wolfe线搜索下具有充分下降条件和全局收敛性.     

一类非单调修正DY共轭梯度法

研究了一类非单调线搜索修正DY法,在适当的条件下,对一般非凸函数,证明了在新给出的非单调线搜索下修正的DY共轭梯度方法的全局收敛性,数值结果表明了该算法的有效性。     

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.     

3种推广的DY共轭梯度法及其全局收敛性

在标准DY共轭梯度方法的基础上提出以βkDY为界的3种杂交共轭梯度算法,在适当的条件下证明了这些方法是全局收敛的,并用数值实验检验其有效性.初步的数值实验表明,3种共轭梯度法比标准DY共轭梯度法更合适求解测试函数.     

一个修正PRP共轭梯度法的全局收敛性分析

提出了求解无约束最优化问题基于Armijo线搜索的一个修正PRP共轭梯度法,在适当条件下,证明了该算法的全局收敛性.最后给出数值实验说明算法的有效性.     

一种新的修正 Liu-Storey 共轭梯度法的全局收敛性（英）

在 Liu-Storey(LS)公式的基础上给出了一个修正的共轭梯度公式 beta _k^MLS. 证明了该新公式在 Wolfe-Powell 线搜索下, 甚至在强 Wolfe-Powell 线搜索下, 在满足sigma in bigg(0,textstyle1 over 2bigg) 的同时, 新算法具有充分下降性和全局收敛性. 数值结果展现了算法的可行性.