一种充分下降的CD共轭梯度法及其收敛性

基于已有的CD方法,提出了一种改进的CD共轭梯度法(MCD算法).该算法产生的搜索方向为充分下降方向,且这一性质与所采用的线搜索方法无关;并在一定的条件下证明了该算法基于Wolfe线搜索求解非凸优化问题的全局收敛性.     

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.     

一种新的非线性共轭梯度法的全局收敛性

基于标准Wolfe线搜索条件,提出一种新的线搜索：αk满足f（xk＋αkdk）-f（xk）≤max{δαkgTkdk,-γα^2k‖dk‖^2} 和 g（xk＋αkdk）^Tdk≥max{σgk^Tdk,-2σαk‖dk‖^2},并在此基础上给出了一种新的非线性共轭梯度算法及其全局收敛性定理.     

一种新线搜索下DY共轭梯度法的全局收敛性

给出一种求解无约束优化问题的新线搜索,证明由新线搜索和DY公式产生的算法具有全局收敛性,再对此算法进行数值试验,并将其数值结果与Wolfe线搜索下PRP方法、DY方法以及另外几种线搜索下DY共轭梯度法的数值结果进行比较来验证新算法是有效的.     

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.     

强Wolfe线搜索下一种共轭梯度法的全局收敛性

本文给出了一种新的共轭梯度法公式,在强Wolfe线搜索条件下给出了新公式的充分下降性和由新公式所产生的算法,并证明了新算法的全局收敛性.     

Wolfe线搜索下一类新的共轭梯度法及其收敛性

本文提出一类新的共轭梯度法,证明了其在Wolfe线搜索下具有全局收敛性,最后对算法进行数值试验,数值结果表明该算法是有效的。     

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.     

一种改进的非线性共轭梯度法

共轭梯度法是求解大规模无约束优化问题的一种有效方法,对DY共轭梯度法的搜索条件进行了改进,并证明在新的Wolfe搜索条件下DY共轭梯度法具有全局收敛性,此方法的改进,为求解大规模无约束优化问题以及各种算法在今后的研究提供了参考。     

一种新的非线性共轭梯度法的全局收敛性

给出了一种新的求解非线性无约束优化问题的共轭梯度法,我们证明了该方法对相应的算法具有全局收敛性,同时我们还证明了该方法在强Wolfe线搜索下具有充分下降性.并且本算法给出了比较好的数值结果.     

一种改进的共轭梯度法的全局收敛性

本文给出了一种新的共轭梯度公式βk=rk‖gk‖^2/u｜gk^Tdk-1｜＋dk^T-1（gk- gk- 1）,该公式在标k-1（gk-gk-1）准Wolfe线搜索下具有充分下降性和全局收敛性.     

一种改进的非线性共轭梯度法

共轭梯度法是求解大规模无约束优化问题的一种有效方法,对DY共轭梯度法的搜索条件进行了改进,并证明在新的Wolfe搜索条件下DY共轭梯度法具有全局收敛性,此方法的改进,为求解大规模无约束优化问题以及各种算法在今后的研究提供了参考。     

一种修正的DY共轭梯度法及全局收敛性

为寻求同时具有良好的收敛性和数值表现的共轭梯度法,在Wolfe线搜索下,构造一种修正的DY共轭梯度法.该算法产生的搜索方向为充分下降方向,这一性质与所采用的线搜索方法无关.在Wolfe线搜索的条件下证明该算法具全局收敛性.研究结果表明:算法是有效的,尤其对大规模无约束优化问题.     

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.     

一种改进的DY-型共轭梯度法的全局收敛性

利用张秀军等人提出的一种新型线搜索条件对新的DY-型共轭梯度法进行了研究.根据这一新型线搜索条件,提出了一个求解非线性无约束优化问题的算法,并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.     

一种含参数的修正HS共轭梯度法及其收敛性

提出了一种含参数的修正HS共轭梯度法,该算法具有性质:1参数βBHSk不仅具有梯度值的信息还具有函数值的信息;2参数βBHSk是非负的;3其产生的搜索方向是充分下降的。在合适的条件下,证明了该算法在弱的Wolfe线搜索下具有全局收敛性,数值结果证明了该算法对于求解无约束优化问题的有效性。     

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.     

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.     

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。