一类新的记忆梯度法及其收敛性

提出一类新的求解无约束优化问题的记忆梯度法。算法在每步迭代中利用当前和前面迭代点的信息产生下降方向,采用精确线性搜索或Wolfe非精确线性搜索产生步长,在较弱条件下证明了算法具有全局收敛性和线性收敛速率。数值试验表明算法是有效的。     

一类新的记忆梯度法

提出了一类新的求解无约束优化问题的记忆梯度法,在较弱条件下证明了该方法的全局收敛性和线性收敛速率.该算法无需任何线搜索而具有充分下降性,且搜索方向自适应在一个信赖域范围之内;该方法继承了著名PRP方法的一个主要性质:当步长很小时,搜索方向靠近于最速下降方向,避免了连续小步长的产生.初步的数值实验结果表明该方法是有效的.     

一类Armijo搜索下的记忆梯度法及其全局收敛性

通过构造新的kβ,提出了一种新的无约束优化问题的记忆梯度算法,同时在Armijo线搜索下分析了该算法的全局收敛性,数值实验表明了新算法的有效性。     

一类新的强Wolfe线性搜索下的记忆梯度法

研究一类新的无约束优化记忆梯度算法,并在强Wolfe线性搜索下证明了其全局收敛性．当目标函数为一致凸函数时,对其线性收敛速率进行了分析．     

一类新的Wolfe线性搜索下的记忆梯度法

提出一类新的求解无约束优化问题的记忆梯度法,在较弱条件下证明了算法具有全局收敛性和线性收敛速率。算法在每步迭代中利用当前和前面迭代点的信息产生下降方向,不需计算和存储矩阵,适于求解大规模优化问题。初步的数值试验表明算法比Wolfe搜索下的FR,PRP和HS共轭梯度法及最速下降法有效。     

关于超记忆梯度算法的收敛性

超记忆梯度算法是无约束优化的有效算法之一 .它的特点是在每步迭代时充分利用前面迭代点的信息 ,增加了参数选择的自由度 ,有利于构造稳定的快速收敛的算法 ,适于求解大规模无约束优化问题 .该文研究一种超记忆梯度算法 ,在较弱的条件下证明了算法的全局收敛性 .     

Wolfe线性搜索下的超记忆梯度法及其收敛性

研究无约束优化问题,给出了一种新的超记忆梯度法,在较弱条件下证明了算法具有全局收敛性和线性收敛速率.数值试验表明新算法是有效的.     

一类共轭梯度法的全局收敛性

将具有某种性质的一类共轭梯度法与一种Armijo型线搜索方法相结合,得到了一类新的共轭梯度算法,证明了这类新算法是全局收敛的,PRP方法为其一个特例。数值试验表明,新算法是有效的。     

一种带扰动项的修正PRP共轭梯度法的全局收敛性

提出了一种搜索方向带扰动项的修正PRP共轭梯度法。在主方向充分下降的情况下,证明采用强wolfe搜索时,算法是全局收敛的。最后给出了初步的数值试验结果。     

一类共轭梯度算法的收敛性分析

对解决无约束最优化问题提出一种包含了四种经典共轭梯度法的双参数共轭梯度法簇,并结合修改后的Armijo线搜索技术,证明了新的双参数共轭梯度法簇具有全局收敛性.     

另一种强Wolfe线性搜索下的共轭梯度法

对求解非线性无约束优化问题中给出了新的参数应用于共轭梯度法;并证明了该方法在强Wolfe线搜索下具有充分下降性,同时具有全局收敛性。将本文提出的参数与引文中参数作比较。讨论了这一类参数在证明中的成立条件。     

一个新的共轭梯度类型方法

给出了一种新的求解非线性无约束优化问题的共轭梯度法,证明了该方法对相应的算法具有全局收敛性,同时还证明了该方法在强Wolfe线搜索下具有充分下降性.并且该算法给出了比较好的数值结果.     

一种求解无约束优化问题的新混合共轭梯度法

在现有共轭梯度方法的基础上,提出一种新混合共轭梯度法来求解无约束最优化问题.该方法采用近似方法去逼近Hessen矩阵,克服了传统牛顿法求解Hessen矩阵中存在的计算量大等问题,并在强wolfe线搜索技术下给出该共轭梯度算法的全局收敛性证明.实验结果表明,与PRP(Polak-Ribiere-Polyak)方法和HYBRID(混合)方法相比较,该文提出的新混合共轭梯度算法的迭代时间少于前两者方法,说明该文方法可行、有效.     

等式约束优化问题的一类混合共轭梯度投影算法

构造了一种混合共轭梯度法,并将其与Rosen投影梯度法相结合运用于求解线性等式约束优化问题.这种新的混合共轭梯度投影法有效改善了Rosen投影梯度法收敛性速度较慢的情况,并在Wolfe线搜索下具有全局收敛性.     

一种推广的共轭性条件及相关共轭梯度法

对Dai引入的共轭性条件进行了推广,同时建立了一种新的共轭梯度方法,并进一步分析了这种方法的全局收敛性.给出了数值实验,实验结果表明这种方法具有良好的数值表现.     

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.     

一种含参数的修正HS共轭梯度法及其收敛性

提出了一种含参数的修正HS共轭梯度法,该算法具有性质:1参数βBHSk不仅具有梯度值的信息还具有函数值的信息;2参数βBHSk是非负的;3其产生的搜索方向是充分下降的。在合适的条件下,证明了该算法在弱的Wolfe线搜索下具有全局收敛性,数值结果证明了该算法对于求解无约束优化问题的有效性。