信赖域型拟Newton法的全局收敛性

对一般无约束最优化问题从理论上证明了由信赖域型的Ｐｏｗｅｌ－对称－Ｂｒｏｙｄｅｎ拟Ｎｅｗｔｏｎ法与对称秩１拟Ｎｅｗｔｏｎ法产生的点列至少有一极限点是函数的稳定点．对于非线性最小二乘问题，Ｂｒｏｙｄｅｎ－Ｄｅｎｎｉｓ方法、Ｂｅｔｓ方法和Ｂａｒｔｈｏｌｏｍｅｗ－Ｂｉｇｇｓ方法具有同样的全局收敛性     

基于非单调线搜索的无记忆拟牛顿法的全局收敛性

文章就Perry_Shanno无记忆拟牛顿法在无约束最优化问题上,对采用非单调线搜索的情况下是否具有全局收敛性进行了研究.在目标函数为凸的条件下,证明了该算法的全局收敛性.     

Armijo型线搜索下的新共轭梯度法的全局收敛性

共轭梯度法是解决无约束非线性最优化问题的重要的方法之一.基于FR方法好的收敛性并考虑到dk的下降性,提出了一类新的共轭梯度法,并在两种Armijo型搜索下,研究了新方法的全局收敛性.数据实验表明新方法是有效的.     

非凸函数极小问题的BFGS法的全局收敛性

对ＢＦＧＳ进行了简单的修正,并证明了该算法用于求解非凸函数最小值时的全局收敛性。     

改进的SR1拟牛顿法的2n步q二次收敛性

为了从理论上证明基于新拟牛顿方程的改进拟牛顿方法比传统的拟牛顿方法有更好的收敛效果，对改进的ＳＲ１拟牛顿方法进行了深入的研究，在变尺度矩阵序列正定有界的条件下，证明了算法在每ｎ＋ｐ（ｐ≥１）步迭代中至少有ｐ步是好的（ｑ超线性步），进而证明了算法的２ｎ步ｑ二次收敛性。     

一个新的拟牛顿信赖域方法

提出求解无约束优化问题的一个修正拟牛顿信赖域方法。算法可以保持信赖域子问题海森矩阵的正定性。在适当条件下,证明了算法的全局收敛性,并通过数值实验说明了算法的可行性。     

非光滑方程信赖域算法的全局收敛性

给出一个解非光滑方程的信赖域算法,提出弱正则ＳＰＮ分解和弱正则条件数的定义。在弱正则条件下,证明此算法的全局收敛性。     

带一类非精确搜索的非拟Newton非凸族的全局收敛性

利用Ｂｙｒｄ和Ｎｏｃｅｄａｌ给出的ψ函数，采用一种比Ｗｏｌｆｅ搜索更广泛的搜索技术，对凸函数证明了非拟Ｎｅｗｔｏｎ非凸族的全局收敛性。     

半无限极大极小问题的依赖域方法

对半无限极大极小问题给出了一个依赖域方法，并且在较弱的条件下证明了其全局收敛性。     

非拟Newton族的导出及其收敛性

对无约束最优化问题提出了一类非拟Ｎｅｗｔｏｎ族算法,它不再是Ｈｕａｎｇ族中的成员．与拟Ｎｅｗｔｏｎ法相比,新给出的校正公式,在不增加计算量的前提下,能吸纳更多的信息,且仍保持正定对称传递性．对一致凸的目标函数,证明了算法的整体收敛性．且结论对众多类型的精确与非精确线搜索均能成立,而这些线搜索在最优化算法中是比较有效且常用的．     

一种无约束优化的非单调拟牛顿信赖域算法

提出一种新的信赖域算法, 使子问题产生的试探步 d^k始终保持在信赖域中, 在每次迭代过程中, 试探步d^k均能得到校正, 当试探步不被接受时, 采用非单调线搜索技术, 无需重解子问题. 在适当的条件下, 证明了算法的全局收敛性.     

共轭下降法的一个全局收敛性结果

共轭梯度法是求解无约束最优化问题的一个著名方法，共轭下降法是其中的一种，它最早由Fletcher提出，在对共轭下降法进行研究并确定了步长λk时，使用了一种新的Armijo类型的搜索，证明了新算法的可行性及佤中收敛性，提出的搜索简单易行，丰富了共轭梯度法的内容。     

半光滑无约束优化信赖域算法的全局收敛性

信赖域方法具有较强的收敛性和可靠性,一直被众多学者关注.基于光滑优化信赖域算法模型,证明了半光滑无约束优化信赖域算法的全局收敛性.     

非拟Newton族的导出及其收敛性

对无约束最优化问题提出了一类非拟Newton族算法，它不再是Huang族中的成员，与拟Newton法相比，新给出的校正公式．在不增加计算量的前提下，能吸纳更多的信息，且仍保持正定对称传递性，对一致凸的目标函数，证明了算法的整体收敛性．且结论对众多类型的精确与非精确线搜索均能成立．而这些线搜索在最优化算法中是比较有效且常用的。     

一种共轭梯度算法的全局收敛性

本文提出了一种计算βk的新公式，即提出了一种新的共轭梯度法，证明了一种非精确线性搜索能够保证这种算法的下降性和全局收敛性．     

异步并行Newton迭代法的单调收敛性

文中讨论在多处理机系统上求解非线性方程组的异步并行Newton迭代法及其单调收敛性     

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。     

PR共轭梯度算法的全局收敛性

给出一种新的Armijo型的线搜索,在该搜索下PR共轭梯度算法能保证无约束最优化问题的全局收敛性。     

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.