修改的LS共轭梯度法在强Wolfe条件下的全局收敛性(英文)

提出一种修改的LS共轭梯度法.在精确线搜索下,该方法可归结为LS共轭梯度法.在非精确线搜索下,它满足充分下降条件gkTdk≤-3/4∥gk∥2.本文还证明了其在强Wolfe条件下的全局收敛性.初步的数值结果表明该方法是有效的.     

一类修正LS谱共轭梯度法的全局收敛性 (运筹学与控制论)

谱共轭梯度法是一类将共轭梯度法和谱梯度法相结合的方法。2001年由Birgin和Martinez首先提出,但该方法不能保证始终产生下降方向。本文用已有的修正方法,给出一个修正的Liu-Storey公式,并结合谱梯度法,提出了一个具有充分下降性的修正Liu-Storey谱共轭梯度法,证明了该方法在标准Armijo非精确线搜索下的全局收敛性,并易推知该方法在Armijo-Goldstein非精确线搜索准则下同样满足全局收敛性。给出的数值实验表明,新算法略优于LS方法。     

修正LS谱共轭梯度法及其收敛性

提出一个无约束优化问题的修正LS谱共轭梯度法,在Wolfe线搜索下算法具有下降性和全局收敛性,初步的数值实验结果表明该方法是有效的,适合于求解非线性无约束优化问题．     

Armijo型线搜索一个修正LS共轭梯度法的全局收敛性 (运筹学与控制论)

提出一个新的修正Liu-Storey共轭梯度(MLSCG)算法。在精确线搜索下MLSCG算法化归为标准的Liu-Sto-rey(LS)共轭梯度算法。MLSCG算法产生的搜索方向不依赖于所使用的线搜索准则而具有充分下降性。本文证明了MLSCG算法在一个Armijo型线搜索下具有全局收敛性。数值试验表明,对于多数算例MLSCG算法比PRP、HS、LS等算法具有更好的计算结果。     

修正LS共轭梯度法及其全局收敛性

提出一类求解无约束优化问题的修正LS共轭梯度法,算法采用一个新的参数公式．在适当条件下,证明算法满足充分下降条件,进而证明在采用广义Wolfe-Powell线搜索和强Wolfe-Powell线搜索时,算法全局收敛．初步的数值试验结果显示方法是有效的．     

一种求解非线性单调方程组的修正Liu-Storey投影算法

针对大规模非线性方程组求解问题,在Yuan研究成果的基础上提出修正的Liu-Storey共轭参数公式,并采用投影技术和一种新型线搜索构建了修正Liu-Storey投影共轭梯度算法.新算法保持了Yuan公式不依赖任何线搜索且具有充分下降性的性质,同时还具有信赖域性质,在常规条件下新算法具有全局收敛性.初步的数值试验表明,新算法总体上比传统的LS算法和3项LS算法更优.     

一个修正的三项LS共轭梯度法

基于已有的共轭梯度法的思想,提出了一个三项LS共轭梯度方法,该方法能保证搜索方向在不需要任何线搜索下具有充分下降性,并在适当条件下获得此方法对一般函数的全局收敛性.     

一个修正的NVPRP方法

非线性共轭梯度方法是解决大规模无约束问题最有效的方法之一,提出了一类新的修正共轭梯度算法,新算法推广了黄海东等的共轭梯度参数算法,不依赖任何线搜索且具有充分下降性;然后,在标准Wolfe非精确线搜索下,得到了新算法的全局收敛性.     

具有充分下降性的修正型混合共轭梯度法

基于已有的共轭梯度法思想,分别对两种混合共轭梯度法的搜索方向进行修正,使得新的修正型混合共轭梯度法在每步迭代都不依赖于任何线搜索而自行产生充分下降方向。在适当的条件下,证明了新算法在Wolfe线搜索下的全局收敛性。数值实验表明该方法是有效的。     

一类修正DY共轭梯度法及其全局收敛性

对DY共轭梯度方法进行修正,使得修正的共轭梯度方法(MDY*)在Wolfe线搜索下满足充分下降条件和全局收敛性.