Armijo步长搜索的共轭方向算法

对无约束最优化问题（Ｐ）ｍｉｎｆ（ｘ）（其中ｆ（ｘ）是Ｒ’上一阶连续可微函数）提出了经典共轭方向算法和在Ａｒｍｉｊｏ步长搜索下的一种自然推广形式，并在凸性条件下，给出了算法的全局收敛性，然后将上述算法进行改进，在去掉凸性假设之下，证明了算法的全局收敛性。     

广义Armijo步长搜索下的共轭方向算法及其收敛特征

对无约束非线性规划问题给出了一个广义Ａｒｍｉｊｏ步长搜索下的共轭方向算法，并研究了算法的收敛性及其收敛特征。     

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。     

结合Armijo步长搜索的新三项共轭梯度算法及其收敛特征

对求解无约束优化问题提出了一类新的三项共轭梯度求解算法,在去掉迭代点列{xk}有界和Armijo步长搜索下,讨论了算法的全局收敛性,同时给出结合FR、PR、HS共轭梯度参数的三项共轭梯度算法,数值算例表明新算法比Armijo步长搜索下的FR、PR、HS共轭梯度算法有效。     

广义Armijo步长搜索下的共轭方向算法及其收敛特征

对无约束非线性规划问题给出了一个广义Ａｒｍｉｊｏ步长搜索下的共轭方向算法，并研究了算法的收敛性及其收敛特征。     

广义Armijo步长搜索下的梯度算法的收敛特征

对无约束规划（P）：minf(x)。其中,f(x)是R^n→R^1上的一阶连续可微函数,在去掉迭代点列{xk}有界和广义Armijo步长搜索下,讨论了梯度算法的全局收敛性,证明了算法具有较强的收敛性质。     

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。     

Armijo搜索下共轭梯度算法的全局收敛性

证明了只要 βk 不属于某一负区间 ,在Armijo搜索下 ,PR和HS算法是全局收敛的     

广义Armijo步长搜索下循环共轭方向算法的收敛性证明

共轭方向算法中搜索方向依赖于对参数β＾（ｋ）的选取ｓ＾（１）＝－ｇ＾（１），ｓ＾ｋ＋１）＝－ｇ＾（ｋ＋１）＋β＾（ｋ）ｓ＾（ｋ），ｋ≥１。本文给β＾（ｋ）适当条件以保证算法的下降性，并在广义Ａｒｍｉｊｏ步长搜索下，给出了算法的收敛性证明。     

Armijo搜索下的谱共轭梯度法

基于Hager-Zhang提出的共轭梯度法,构造了一种新的谱βk,证明了该方法不依赖于任何线搜索就具有充分下降性,并且在Armijo搜索下证明了算法的全局收敛性。数值试验表明,该方法明显优于谱DY、谱FR、谱PRP算法。     

Armijo搜索下改进的LS共轭梯度法

共轭梯度法是求解无约束优化问题的一类重要方法。通过调整搜索方向,提出了一类改进的LS共轭梯度法,该方法在每步迭代中都能不依赖于任何搜索而自行产生充分下降方向。在精确搜索下,该算法将还原为原LS方法。在适当的条件下,获证了该法在Armijo搜索下,即使求解非凸函数极小化的问题,算法也全局收敛。同时,数值实验表明该算法可以有效求解优化问题。     

一种Armijo搜索下的谱共轭梯度法

基于文献[6]中的βkb的构造方法,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,该方法明显优于SFRA、SPRPA算法.     

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.     

Armijo线搜索修正LS共轭梯度法的收敛性

基于修正LS共轭梯度法,给出合适的初始步长,使采用Armijo线搜索的迭代过程满足充分下降性.在较弱的条件下,证明算法具有全局收敛性和至少线性收敛速率.     

基于Armijo型线搜索下的谱共轭梯度法

在WYL共轭梯度法的基础上,提出了一种新的谱共轭梯度法,并且证明了该方法在Armijo线搜索下具有充分下降性和全局收敛性.数值试验表明该方法是有效的。     

一类Armijo搜索下新的共轭梯度法及其全局收敛性

为有效求解大规模无约束优化问题,提出了一类新的混合共轭梯度法.该方法在每步迭代中都不依赖于函数的凸性和搜索条件而自行产生充分下降方向.在适当的条件下,获证了在Armijo搜索下,即使求解非凸函数极小化的问题,算法也具有全局收敛性.同时,数值实验表明所提算法可以有效求解优化测试问题.     

Armijo线搜索下一个杂交共轭梯度法及其强收敛性

@@@@讨论无约束优化问题,提出了一个新的杂交共轭梯度法公式。基于新公式,采用Armijo型线搜索条件确定步长,建立了一个杂交共轭梯度算法,在常规假设条件下证明了新算法的下降性和强收敛。     

Armijo型线搜索下的谱CD共轭梯度法

提出了一种新的非线性修正的谱CD共轭梯度算法。该算法得到的搜索方向为下降方向,它既不受线搜索规则的影响,也不受目标函数的凸性影响。同时算法在精确线搜索条件下能够诱导出标准的CD共轭梯度方法。给出的新方法在两种不同Armijo型线搜索规则下具有全局收敛性,数值实验结果显示了新算法的可行性。     

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.     

一类共轭梯度法在非单调Armijo型线搜索下的全局收敛性

在Armijo型线搜索的基础上提出两种非单调Armijo型线搜索,研究了一类在非单调Armijo型线搜索下的无约束优化问题的共轭梯度算法,证明了其全局收敛性。