一种自动充分下降的共轭梯度法

设计了一个新的含参数的共轭梯度公式,此公式自动拥有充分下降性质,在适当条件下,新算法在WWP线搜索下全局收敛.数值实验结果表明新算法是有效的,适用于无约束优化问题的求解.     

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。     

Wolfe线搜索下具有充分下降性的混合共轭梯度法

共轭梯度法存储量低,运算简洁,对于求解大规模无约束优化问题非常有效。通过对PRP算法进行修正,提出一种新的混合共轭梯度法,在Wolfe线搜索下,每一步迭代都产生充分下降方向,在常规的假设条件下证明提出的算法具有全局收敛性。实验结果表明提出的算法对解决优化测试问题是有效的。     

一类具有充分下降性的DL共轭梯度法

针对无约束优化问题,利用两项共轭梯度法(DL方法)去逼近改进的HS三项共轭梯度法,提出了改进的DL共轭梯度法即MDL共轭梯度法.该方法相对于DL方法具有一个更好的性质,即该共轭梯度法的搜索方向不依赖任何线搜索就可满足充分下降条件,理论上证明了该方法在Wolfe线搜索条件下对一般函数具有全局收敛性.     

一类具有充分下降性的共轭梯度算法

在一些著名的共轭梯度算法基础之上,提出一类新的共轭梯度算法,用于求解无约束优化问题.该方法在不依赖于任何线搜索的情况下能够保证充分下降性,且在Wolfe线搜索下证明了算法具有全局收敛性.数值结果表明新提出的算法是有效的.     

一类充分下降的谱共轭梯度法

首先基于共轭梯度法的共轭条件和下降性,提出了一类充分下降的谱共轭梯度法.该方法将经典共轭梯度法中搜索方向由原来的只满足一个共轭条件改变为同时满足一个共轭条件和一个下降条件;然后,在Wolfe线搜索下用反证法证明了新算法的全局收敛性;最后,通过12个算例,将新算法和已有SHS算法在迭代次数和计算时间方面进行了数值比较实验,比较结果表明新算法在这两个方面都明显优越于SHS算法.算法的全局收敛性和数值结果的优越性表明,新算法是一个值得研究的方法.     

一种充分下降的共轭梯度法及其收敛性

基于经典的共轭梯度法,提出一类具有充分下降性的共轭梯度法,并给出了该算法在弱Wolfe步长搜索下的全局收敛性.最后,进行了数值实验,数值效果和算法的全局收敛性表明该算法是有效的.     

一类具有充分下降性修正的DL共轭梯度法

基于DL共轭梯度方法,提出了一类修正的DL方法来解决无约束优化问题.该方法相对于DL共轭梯度方法具有一个更好的性质,即在强Wolfe线搜索条件下搜索方向具有充分下降性;证明了该方法在强Wolfe线搜索条件具有全局收敛性.     

一个充分下降LS型共轭梯度算法的全局收敛性

共轭梯度法是求解大型无约束非线性优化问题的一种常用方法,在应用中通常以负梯度方向作为其自动重启方向. 该文在LS共轭梯度法的基础上,结合一种新的自动重启方向,证明了算法的自动充分下降性和在强Wolfe线搜索下的全局收敛性,给出的数值试验结果表明算法是有效的.     

一类充分下降共轭梯度法的全局收敛性

给出一类搜索方向采用保守策略的新型共轭梯度法,在常规假设条件下得到了算法的全局收敛性结果,并给出算法的数值实验结果.结果表明:相应的算法分别在强Wolfe非精确线搜索参数σ1/4,1/3,1/2的情形下充分下降;新算法适合于求解大型无约束优化问题.     

具有充分下降性的共轭梯度法及其收敛性

提出了一类新的共轭梯度方法.该方法无需线搜索而具有充分下降性,在Wolfe-Powell线搜索下该方法具有全局收敛性.数值试验表明该方法具有良好的数值结果.     

一种全局收敛的新共轭梯度法

基于共轭梯度法的研究,提出了一种新共轭梯度法,在标准Wolfe线搜索条件下证明了该算法的充分下降性及全局收敛性,最后与经典算法进行数值比对实验,其实验结果进一步说明了该方法的有效性与可行性.     

一种修正的三项PRP共轭梯度法

为了更有效求解一类大规模无约束优化问题,克服其他算法普遍存在的算法较为复杂,存储量大和计算机编程难等不足,在传统三项PRP共轭梯度法的基础上,结合近年来关于三项共轭梯度法和新型线搜索的研究成果,定义了一种新的搜索方向,并采用一种新型的线搜索构建了算法,证明了其具有自动充分下降和信赖域的性质,并在适当的条件下证明了其全局收敛性。数值试验结果表明,在求解一类大规模无约束优化问题上新算法比传统三项PRP共轭梯度法更具有竞争性。具有良好收敛性质的新算法为解决一类求解大规模无约束优化问题提供了更高效的算法依据。     

一类充分下降的混合CD-LS共轭梯度法

为了结合共轭下降（conjugate descent,CD)法良好的理论性质和Liu-Storey (LS)法较好的数值效果,以降低小步长对迭代的不良影响,以及使搜索方向的下降性独立于线搜索的选择。通过混合CD法和LS法的分子,对梯度函数进行了相应的修正。方向的充分下降性独立于线搜索的选取,可应用于多种线搜索;基于Wolfe线搜索,证明了算法的全局收敛性。42类无约束测试函数和图像去噪的结果表明,基于相同的终止条件所提出的算法的迭代次数和迭代时间均少于之前的3类共轭梯度算法。     

一种充分下降的CD共轭梯度法及其收敛性

基于已有的CD方法,提出了一种改进的CD共轭梯度法(MCD算法).该算法产生的搜索方向为充分下降方向,且这一性质与所采用的线搜索方法无关;并在一定的条件下证明了该算法基于Wolfe线搜索求解非凸优化问题的全局收敛性.     

求解无约束问题的一个杂交共轭梯度法

给出了一个基于PRP方法的新的杂交共轭梯度法，并在适当的条件下，证明了新算法的全局收敛性．数值结果表明提出的算法是有效的．     

充分下降的共轭梯度法簇及其全局收敛性

在双参数共轭梯度法的基础上,给出一类具有充分下降性的共轭梯度法簇,证明了相应的方法在非单调线搜索及弱Wolfe线搜索下对非凸目标函数全局收敛,并用数值实验表明该方法具有良好的数值结果.     

强Wolfe条件下一类修正FR共轭梯度法

通过适当修正Fletcher-Reeves(FR)方法,提出了一类修正FR共轭梯度法方法(MFR*),并证明了MFR*方法在强Wolfe线搜索下具有充分下降条件和全局收敛性.     

一种新共轭梯度法的全局收敛性

在文献[4,5]的基础上,提出求解无约束优化问题的共轭梯度公式中βk参数的一种新的计算公式:kβ 1=μ‖gk 1‖2dTkyk,0<μ<1;对标准W olf搜索条件进行推广,得到一种新的算法,并证明了算法的全局收敛性.     

一种修正的DY共轭梯度法及全局收敛性

为寻求同时具有良好的收敛性和数值表现的共轭梯度法,在Wolfe线搜索下,构造一种修正的DY共轭梯度法.该算法产生的搜索方向为充分下降方向,这一性质与所采用的线搜索方法无关.在Wolfe线搜索的条件下证明该算法具全局收敛性.研究结果表明:算法是有效的,尤其对大规模无约束优化问题.