一类无约束不可微规划算法

现有的不可微规划算法,一般地都需要计算广义梯度元,并且在确定搜索方向时的二次规划问题也比较复杂.作者通过引进次微分集的外接长方体的概念,建立了一种可实现的算法.该算法避免了计算广义梯度元的麻烦,搜索方向的确定也非常简单,并且证明了算法的收敛性.     

一个求解不可微非凸约束规划问题的算法

本文提出一个求解不可微非凸带约束规划问题的可实现算法,并证明其收敛性。这个方法为可行方向法,和非光滑优化中的绝大多数求解约束规划问题的算法不同,它在第 k 次迭代确定搜索方向时仅需利用至多 n+2个过去的 Clarke 广义梯度元的信息,这里 n 为问题中变量的维数,从而保证了算法关于广义梯度元存贮量的有限性,避免了诸如其他许多算法迭代到若干步后每次迭代具有非常大的计算复杂性的可能。     

一般约束问题的广义摄动梯度投影算法

讨论带不等式和等式约束优化问题,提出了求解非线性规划问题的广义摄动梯度投影算法。考虑到计算的误差因素,在搜索方向上进行摄动,得到一个方向不精确的广义梯度投影法。避免了转轴运算,使计算量大为减少,并证明了算法的全局收敛性。     

一族易实现的Clarke广义梯度投影算法及其收敛性

本文利用Bazarra提出的伪方向导数,以Clarke的广义梯度为工具,通过解二次规划得可行下降方向,用Armijo搜索作一维搜索,我们给出了一类一般线性约束下不可微规划的可行方向法——易实现的Clarke广义梯度投影法。在不要求约束非退化的条件下,我们证明了算法的收敛性。     

互补约束数学规划问题的一个广义梯度投影罚算法

结合罚函数思想和广义梯度投影技术, 提出求解非线性互补约束数学规划问题的一个广义梯度投影罚算法. 首先, 通过扰动技术和广义互补函数, 将原问题转化为序列带参数的近似的标准非线性规划; 其次, 利用广义梯度投影矩阵构造搜索方向的显式表达式. 一个特殊的罚函数作为效益函数, 而且搜索方向 能保证效益函数的下降性. 在适当的假设条件下算法具有全局收敛性.     

结合广义Armijo步长搜索的带误差项的记忆梯度算法

对非线性无约束规划提出了结合广义Armijo步长搜索规则的一类带误差项的记忆梯度求解算法,在目标函数梯度一致连续的条件下,证明了算法的全局收敛性,同时给出带误差项的结合拟-Newton方程的记忆梯度算法.数值结果表明算法是有效的.     

解带非线性等式和不等式约束优化问题的超记忆梯度广义投影算法

利用广义投影技术 ,将求解无约束规划的超记忆梯度算法推广 ,建立了求解带非线性等式和不等式约束优化问题的一种超记忆梯度广义投影算法 ,并证明了算法的收敛性。该算法具有稳定、计算量小、所需收敛条件弱、收敛性强等特点 ,并改进了广义梯度投影算法的收敛速度。数值算例表明该算法是有效的。     

结合广义Armijo步长搜索的一类记忆梯度算法

给定记忆梯度算法搜索方向中的参数一个假设条件,从而确定它的一个取值范围,使其在此范围内取值均能得到目标函数的充分下降方向,由此提出一类新的记忆梯度算法.在去掉迭代点列有界和广义Arm ijo步长搜索下,讨论了算法的全局收敛性,且给出了结合形如共轭梯度法FR,PR,HS的记忆梯度法的修正形式.数值实验表明,新算法比Arm ijo线搜索下的共轭梯度法FR、PR、HS和记忆梯度法更稳定、更有效.     

解带非线性等式和不等式约束优化问题的超记忆梯度广义投影算法

利用广义投影技术，将求解无约束规划的超记忆梯度算法推广，建立了求解带非线性等式和不等式约束优化问题的一种超记忆梯度广义投影算法，并证明了算法的收敛性。该算法具有稳定、计算量小、所需收敛条件弱、收敛性强等特点，并改进了广义梯度投影算法的收敛速度。数值算例表明该算法是有效的。     

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.     

非线性规划改进的广义梯度投影法

讨论带非线性等式和不等式约束规划问题一种新的全局收敛的投影类算法，它是广义梯度投影法和梯度投影法以及次可行方向法的结合和改进。算法具有广义投影阵只依赖于ε－积极约束集，不必计算全部约束函数的梯度，其中ε可以随意选取；由单一的公式给出，且效益函数是可微的等优点。     

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.     

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。     

广义几何规划一个超线性与二次收敛算法

建立带等式与不等式约束的广义几何规划一个新的快速收敛算法,算法的搜索方向由一个二次规划和一个线性方程组的解产生,效益函数为广义精确罚函数．在适当的条件下证明了算法的全局收敛性、超线性收敛性与二次收敛率．     

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.     

一种无约束优化问题的谱共轭梯度法

提出了一种新的谱共轭梯度法,证明了该方法不依赖于任何线搜索具有充分下降性,在Armijo线搜索下证明了算法具有全局收敛性。数值试验结果表明:在Armijo线搜索下,该方法比Necu-lai,Andrei提出的方法有效;并且4种测试函数的数值结果显示:新方法明显优于谱DY算法,也较谱FR算法有效;可以和谱PRP的计算效能相媲美,故算法具有良好的计算效能。     

广义Wolfe线搜索下一类新共轭梯度法的全局收敛性

对求解无约束最优化问题的共轭梯度法中的方向参数βk给定一个假设条件,确定其取值范围以保证搜索方向是目标函数的充分下降方向,并在较弱的条件下讨论了算法在广义Wolfe线搜索下的全局收敛性。     

一类共轭梯度方法及其全局收敛性

给出一类共轭梯度方法．在迭代中,步长由广义Wolfe线搜索条件确定,产生的方向具有充分下降性。在适当假设下,证明了算法是全局收敛的．