修正的HS共轭梯度算法的全局收敛性

对求解无约束优化问题的共轭梯度法中的方向参数给定新的区间取法,将HS共轭梯度参数限制在此区间上,保证搜索方向是目标函数的充分下降方向,在此基础上提出了修正HS共轭梯度算法(MHS),并在较弱的条件下讨论了新算法在广义Armijo步长搜索下的全局收敛性.数值试验结果表明,新算法比广义Armijo步长搜索下的FR、PR、HS共轭梯度算法有效.     

在Wolfe步长搜索下的一类新的共轭梯度算法

研究利用共轭梯度法求解无约束最优化问题.为了保证共轭梯度方向是目标函数的充分下降方向,对共轭梯度算法中的共轭梯度方向参数确定了一个取值范围并与Wolfe步长搜索相结合,提出了新的共轭梯度算法,使算法具有更好的收敛速度,特别是在求解大规模无约束最优化问题时,此算法只需要较小的存储.     

一种新的无约束优化的混合杂交共轭梯度法

针对无约束优化问题, 提出一种新的混合杂交共轭梯度法, 该方法在不采用Wolfe搜索的条件下, 保证了算法的全局收敛性, 并在每次迭代过程中,
均可得到初始的自适应步长和充分下降方向. 数值结果表明, 该算法可行、 有效.     

基于负曲率方向的复数域共轭梯度法

共轭梯度法是优化大规模目标函数的一种经典方法.根据复梯度、复Hessian阵与实梯度、实Hessian阵之间的关系,将共轭梯度法推广到复数域,用于解决复数域的优化问题.针对共轭法的一些缺点,如每步迭代利用线性搜索来确定优化的步长及可能寻找到的极值点不一定为极小值等缺点,提出在Hessian阵不正定时利用负曲率方向作为搜索方向,利用实数域二阶导数简化思想,使寻找下降负曲率方向简单化,同时根据目标函数信息调节搜索步长,保持函数值单调下降.对该算法进行复数域优化数值仿真,结果表明:该算法与复数域的SCG算法及Quasi-Newton算法相比,计算较为简单且优化效果更优.     

修正的HS共轭梯度算法的全局收敛性

对求解无约束优化问题的共轭梯度法中的方向参数给定新的区间取法，将HS共轭梯度参数限制在此区间上，保证搜索方向是目标函数的充分下降方向，在此基础上提出了修正HS共轭梯度算法（MHS），并在较弱的条件下讨论了新算法在广义Armijo步长搜索下的全局收敛性。数值试验结果表明，新算法比广义Armijo步长搜索下的FR、PR、HS共轭梯度算法有效。     

结合Armijo步长搜索的一类新记忆梯度算法及其收敛特征

对于求解无约束规划的共轭梯度算法中的共轭梯度方向参数 ,给定一个假设条件 ,确定它的一个取值范围 ,以保证搜索方向是目标函数的充分下降方向 ,由此提出了一类新的记忆梯度算法。在去掉迭代点列有界和Armijo步长搜索下 ,讨论了算法的全局收敛性 ,同时给出了结合FR、PR、HS共轭梯度算法的修正形式。数值实验表明 ,新算法比Armijo步长搜索下的FR、PR、HS共轭梯度法更稳定、更有效。     

一种线搜索下修正LS共轭梯度法的全局收敛性

根据一种可获得更大步长的非精确线搜索条件，结合LS共轭梯度法的计算公式，本文给出了一种修正LS算法，该算法保证每次迭代中的搜索方向是充分下降的，并证明了该算法是全局强收敛的．     

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.     

一类求解大规模非线性单调方程组的无导数共轭梯度方法

提出一类求解大规模非线性单调方程组的无导数共轭梯度算法.利用Liu和Feng提出的共轭参数改进技术,对数值性能较优越的RMIL共轭梯度方向进行改进,并引入谱参数,构造新的搜索方向.该方向继承了RMIL共轭梯度法的数值稳定性且满足充分下降性条件.再结合投影技术和无导数线搜索技术,在适当假设条件下,获得算法的全局收敛性证明...     

结合Armijo步长搜索的一类新记忆梯度算法及其收敛特征

对于求解无约束规划的共轭梯度算法中的共轭梯度方向参数，给定一个假设条件，确定它的一个取值范围，以保证搜索方向是目标函数的充分下降方向，由此提出了一类新的记忆梯度算法。在去掉迭代点列有界和Armijo步长搜索下，讨论了算法的全局收敛性，同时给出了结合FR、PR、HS共轭梯度算法的修正形式。数值实验表明，新算法比Armijo步长搜索下的FR、PR、HS共轭梯度法更稳定、更有效。