正定式几何规划的一类共轭投影梯度算法

针对等式约束的正定几何规划问题,给出了一类共轭投影梯度算法,并在适当的条件下证明了算法的全局收敛性.     

几何规划的简约共轭梯度算法

利用对偶理论将正定式几何规划转化为带有非负约束和线性等式约束下的非线性凸规划,并且将简约梯度算法与共轭梯度算法恰当结合,应用于求解约束正定式几何规划的对偶问题,构造出了求解几何规划的一个有效算法,并在Armijo步长搜索和适当的条件下证明了该算法的收敛性.     

几何规划中修正的DY共轭梯度法

利用几何规划的特点将无约束正定式几何规划问题转化为无约束的非线性凸规划问题.共轭梯度算法是求解无约束非线性规划的一种重要且非常有效的算法之一.在DY共轭梯度算法的基础上为无约束正定式几何规划设计了一种共轭梯度算法.该算法在每一次迭代时,均可保证搜索方向的充分下降性,并在Wolfe线搜索下,证明了算法的全局收敛性.     

一个解无约束几何规划的共轭梯度算法

利用几何规划的对偶原理,将几何规划问题转化为相应的对偶规划,并利用几何规划及其对偶规划的特点,以及非线性规划共轭梯度算法的研究成果,将2者进行了恰当的结合,构造了无约束正定几何规划的一种有效算法.在算法中采用了一种较好的广义Armijo步长搜索方法,且在较弱的条件下证明了算法的下降性和全局收敛性.     

一类改进的谱共轭梯度法

通过修改共轭系数和谱系数公式,给出了基于强Wolfe搜索技术的谱共轭梯度法,在一般假设条件成立下,证明了该算法满足充分下降性、具有全局收敛性,并进行了数值实验,数值实验表明,新算法具有更好的数值性能.     

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.     

一类修正的共轭梯度法及数值试验

本文提出了一类求解无约束优化问题的修正的HS共轭梯度法.该算法每步都可产生一个充分下降方向,并且在适当条件下,证明该算法在非精确搜索下全局收敛.最后通过数值试验结果表明该算法的有效性.     

一类基于Grippo线搜索的共轭梯度法

本文考虑求解无约束最优化问题的共轭梯度法，基于传统的FR和PRP算法，综合考虑二者的优势，提出了一类新型共轭梯度算法，在Grippo线搜索下证明了其全局收敛性．依照本算法，我们取得了比较理想的数值结果．     

Wolfe线搜索下的一类新的共轭梯度法

给出了解无约束最优化问题的共轭梯度法的一个新的迭代参数,得到一种新的共轭梯度法,并在Wolfe线搜索下,证明了算法的全局收敛性。     

一类改进的谱共轭梯度法

谱共轭梯度法是在共轭梯度法基础上发展起来的新型算法,其特点是有两个方向控制 参数,是解决大规模无约束优化问题的有效方法,也是优化工作者研究的热点。本文基于已有的 非线性谱共轭梯度法提出了一类新的谱共轭梯度法,利用新构造的共轭方向调控参数βk构建了新 的算法,并保证了该算法在任何线搜索下都满足共轭条件,进而在迭代时产生的搜索方向都是充 分下降的。在Wolfe线搜索下,该方法的全局收敛性得以验证。     

Rough正项几何规划及其算法

在rough集合和rough凸集的基础上,提出了rough值集凸函数的概念,建立了rough正项几何规划的知识表示模型、数学模型.此外,研究了rough正项几何规划的数学模型,以及解决多反而少的悖论的rough 正项几何规划的算法,它可以化为一单项rough正项几何规划后再化为一个rough线性规划来求解.最后,通...     

无约束优化问题的一种新的共轭梯度法

为了求解无约束优化问题,提出了一种新的共轭梯度法,并证明了其在适当的条件下满足全局收敛性.初步的数值结果表明新的共轭梯度法是有效的.     

无约束正定几何规划的一种优化算法

对于正定几何规划,我们充分利用了几何规划的特殊性,在求解非线性等式约束的信赖域算法的启发下,建立了一种新的算法,并在相对弱的条件下,我们证明了这种算法的全局收敛性.     

具有性质(*)的一类共轭梯度法的全局收敛性

对具有性质（*)的共轭梯度进行了讨论，该性质是由Jean Charles和Jorge Nocedal在1992年提出的，Yuhong,Dai,Jiye Han等人也对此进行了讨论，本文放松了现有结果中参数βk≥0的限制，并保证在几种可行的线搜索下共轭梯度算法的全局收敛性。     

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.     

修正Hestenes—Stiefel共轭梯度及其收敛性

利用CD共轭梯度法和NCG共轭梯度法分别给出了相应的修正Hestenes-Stiefel(HS)共轭梯度法。在无充分下降性的条件下,证明了修正HS共轭梯度法具有全局收敛性。     

一种求解大规模方程组的修正Dai-Yuan共轭梯度法

设计一种针对大规模非线性方程组的修正DY共轭梯度算法.该算法的搜索方向不仅自动满足充分下降条件,而且属于信赖域.在适当条件下,可以证明新算法是全局收敛的.初步的数值实验表明新算法可以有效求解大规模非线性方程组.     

求解无约束优化问题的一种混合共轭梯度法

文章给出了一个改进的共轭梯度公式及新公式的相关性质,新公式和DY公式结合得到一个混合共轭梯度法,新算法在Wolf线搜索下产生一个下降方向;并证明了算法的全局收敛性,给出了数值例子.