基于新拟牛顿方程的拟牛顿法的超线性收敛性分析

假设f（x）二阶连续可微且一致凸时和f（x）的二阶导数矩阵G（x）在极小点x^＊处满足Holder条件，文章证明了基于新拟牛顿方程的拟牛顿法的超线性收敛性．     

改进的SR1拟牛顿法的2n步q二次收敛性

为了从理论上证明基于新拟牛顿方程的改进拟牛顿方法比传统的拟牛顿方法有更好的收敛效果,对改进的ＳＲ１拟牛顿方法进行了深入的研究,在变尺度矩阵序列正定有界的条件下,证明了算法在每ｎ＋ｐ（ｐ≥１）步迭代中至少有ｐ步是好的（ｑ超线性步）,进而证明了算法的２ｎ步ｑ二次收敛性。     

Shamanskii修正牛顿法的全局收敛性

最近由Lampariello F和Sciandrone M提出了Shamanskii修正牛顿法的一种全局收敛技术,该文对其全局收敛性定理进行了改进和推广使其应用范围更加广泛．     

非线性方程组拟牛顿法中线性搜索的一种改进

改进了Ｇｒｉｅｗａｎｋ（１９８６）提出了关于求解非线性方程组的一种线性搜索方式。在理论上保证了线性搜索的实现,使得算法是适定的,而且,在改进的线性搜索条件下,Ｂｒｏｙｄｅｎ算法仍具有全局收敛性和局部超线性收敛性。     

一种无记忆拟牛顿法的收敛性

在f(x)为二阶连续可微凸函数的条件下,证明了一种无记忆拟牛顿法的收敛性。     

一类正割修正矩阵带有直接分解且保持稀疏性的拟牛顿法及其收敛性

改进了Ｂｏｇｌｅ和Ｐｅｒｋｉｎｓ就求解稀疏性非线性方程组提出的能够保持正割修正矩阵稀疏性的拟牛顿法，进而提出一类带有直接分解的正割修正矩阵且保持稀疏性的拟牛顿法．进行了数值计算，效果良好；在适当条件下Ｑ－超线性收敛     

基于新拟牛顿方程的一类超线性收敛的改进BFGS算法

针对无约束最优化问题,在已建立的一类新拟牛顿方程的基础上,把满足于传统拟牛顿方程的一类改进BFGS算法推广到新拟牛顿方程,从而得到一类基于新拟牛顿方程的改进BFGS算法.证明该算法在目标函数为一致凸时具有局部超线性收敛性.     

一种新的修正有限内存拟牛顿法

依据修正拟牛顿方程,提出一种新的双循环有限内存拟牛顿法.与经典的有限内存BFGS方法相比,新算法同时利用函数值和梯度信息构造拟牛顿校正矩阵,且不会增加计算量,理论分析和数值检验说明了新算法的有效性。     

基于新拟牛顿方程的拟牛顿法对一般目标函数的全局收敛性

文章通过四阶泰勒展开提出了一种新拟牛顿方程,且给出了新的拟牛顿算法,并结合Wolfe非精确线性搜索证明了此新拟牛顿算法对一般非凸无约束优化问题的全局收敛性.     

一种基于弱拟牛顿方程的单调梯度法的收敛性

基于弱拟牛顿方程,Leong W J等人提出了一种单调梯度法,该算法在每次迭代时利用对角矩阵逼近Hessian矩阵,使计算量和存储量明显减少,并且此算法对凸函数具有收敛性。在此算法的基础上,进一步研究了算法对于一般函数的收敛性,并证明了在一定的假设条件下算法仍具有全局收敛性、R-线性收敛性和超线性收敛性。     

一类修正的BFGS算法及其全局收敛性

基于Hiroshi Yahe等提出的新拟牛顿方程,给出了一类修正的BFGS算法,并在一定的假设条件下,结合Wolfe搜索准则证明了该算法具有全局收敛性.     

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。     

一类拟牛顿算法的收敛性

根据一类基于新拟牛顿方程Bk 1sk=yk*的修改BFGS类算法,采用广义W olfe线搜索模型(GW搜索模型):f(xk 1)≤f(xk) δkαgTkdk和g(xk 1)Tdk≥m ax{,σ1-(kα‖dk‖)p}gTkdk,其中0<δ≤σ<1,p∈(-∞,1),得到一类修正的BFGS算法(M BFGS),证明了M BFGS算法的全局收敛性和超线性收敛性.数值试验结果表明M BFGS算法是有效的.     

约束问题修正BFGS方法的局部超线性收敛性

将Li—Fukushima提出的求解无约束最优化问题的修正BFGS法加以改进,应用于求解等式约束最优化问题。该方法的主要优点在于其迭代矩阵总保持对称正定。在一定的条件下,证明该方法具有局部超线性收敛性。     

关于拟牛顿法求解等式约束优化问题的超线性收敛条件

拟牛顿法是求解约束优化问题的有效方法之一,许多作者在理论上讨论了此类算法的全局收敛性和收敛速度,但关于收敛速度的条件讨论较少．Ｂｏｇｇｓ等人给出了一个拟牛顿方法求解等式约束优化问题的超线性收敛的充要条件,但假设条件较强．本文利用分析和代数的技巧,在较弱的条件下证明了该算法的超线性收敛的充要条件仍然成立．     

一种修正的HS共轭梯度法及其全局收敛性

对经典的HS共轭梯度法进行了修正,保证了搜索方向的充分下降性,这一性质在非精确线搜索和非凸函数情形下也是成立的.在适当的假设下证明了强Wolfe线搜索下算法的全局收敛性,数值实验表明算法数值效果良好.     

一类新的超记忆多步曲线搜索方法及其全局收敛性

提出一种求解无约束最优化问题的超记忆多步曲线搜索方法,此方法具有如下特点：（1）每次迭代目标函数f（x）下降量更大;（2）充分利用前m步的迭代信息;（3）每次迭代同时确定下降方向和步长;（4）步长一致有正下界。在较弱的条件下,证明了此方法的收敛性。     

一个新的求解等式约束优化问题的信赖域算法的超线性收敛分析

对文[1]提出的一个求解等式约束优化问题的信赖域算法进行超线性收敛分析.     

改进的多参数非线性共轭梯度法的全局收敛性

利用共轭条件,提出一个改进的多参数共轭梯度法,并证明了算法在SWP线性搜索下具有全局收敛性.     

无约束最优化问题中具有全局收敛性的修改的BFGS方法

给出新的BFGS型公式,并利用弱的Wolfe-Powell步长准则给出新的BFGS型方法．该方法的数值结果比相关文献的方法好．