求解非线性方程组的一个修正非单调L-M算法

利用非单调搜索准则提出求解非线性方程组的修正Levenberg-Marquardt算法(L-M算法).算法中,当试探步未被接受时,执行非单调线搜索来获取下一个迭代点.在适当的假设条件下,证明了该算法具有全局收敛性和局部二次收敛性.数值实验表明该算法是有效的.     

求解非线性方程组的一类非单调修正Levenberg-Marquardt算法

通过将非单调搜索准则与修正Levenberg-Marquardt(L-M)算法结合,提出了求解非线性方程组的一个新的非单调修正L-M方法.新算法在每次迭代步都引入校正步,使新的试探步更靠近Moore-Penrose步.利用信赖域技巧修正L-M参数,在一定的条件下,证明了该算法的全局收敛性.数值试验表明了算法的有效性.     

求解非线性方程组的非单调自适应信赖域方法

文章将非线性方程组转化为一个非线性优化问题,结合基于函数值平均权重的非单调技术与自适应信赖域方法求解该问题,从而得到原方程组的解,其中信赖域半径的选取充分应用了当前迭代点的二次信息,新的非单调技术减少了算法的计算量;在合适的条件下,证明了算法的全局收敛性,数值试验表明了算法的有效性.     

求解非线性方程组的非单调自适应信赖域方法

提出了一个新的求解非线性方程组的信赖域方法,首先把非线性方程组的求解转化成一个非线性优化问题,然后借助非单调技术和信赖域技术求解该问题,从而得到了原方程组的解.既避免了重复求解信赖域子问题,又减少了线搜索方法计算函数值的次数.算法的收敛性得到了证明,初步的数值试验表明了算法的有效性.     

求解单调非线性方程组的一个MPRP算法

MPRP方法是求解优化问题的一种共轭梯度算法,将其推广至求解单调非线性方程组,给出收敛性的证明,并通过数值实验表明算法是稳定和有效的．     

求解非线性方程组的一种新的L-M方法

重新构造L-M迭代参数,即μk=θ‖F k‖+(1-θ)min{‖F k‖,‖JT k F k‖},θ∈n[0,1],来求解非线性方程组F(x)=0.在算法中,当试探步不成功时,采取新的非精确线搜索技术获得下一个迭代点.在适当假设条件下,证明了该算法具有全局收敛性.数值实验表明该算法是有效的.     

求解非线性方程组的非单调滤子算法

提出了一个新的求解非线性方程组的滤子算法,首先把非线性方程组的求解转化成一个非线性优化问题,然后借助非单调技术和滤子技术求解该问题,从而得到了原方程组的解.在适当的条件下,证明了该算法的全局收敛性,初步的数值试验表明了该算法的有效性.     

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.     

求解非线性互补问题的非单调自适应信赖域算法

利用FB-NCP函数将求解非线性互补问题等价转化为求解无约束问题的一个全局极小值.提出一种非单调自适应信赖域算法,并在FB正则的条件下得到该算法是全局收敛性结果.在适当的假设下,进一步证明了该算法的局部超线性收敛和二次收敛性.     

求解单调非线性方程组的凸组合算法的收敛性

将求解单调非线性方程组的MPRP算法和CGD算法的下降方向进行凸组合,构造出新的下降方向,提出新的算法,并证明新算法是全局收敛的.     

一类新的求解非线性方程组的记忆梯度法

提出一类新的求解非线性方程组的记忆梯度法,证明了算法的全局收敛性.该算法不依赖于问题初始点的选取,并且在迭代过程中无需计算雅克比矩阵的逆矩阵,降低了算法的计算量,节省了运算时间.与牛顿法相比,新算法更适于求解大规模非线性方程组.     

简单界约束非线性方程组的不精确线搜索法

提出一种用非单调线搜索方法求解简单界约束非线性方程组,算法采用满足Armijo条件的不精确线搜索技巧,并使用非单调结构,将当前函数最大值的下降改进为函数平均值的下降,推广了算法的适用范围.最后进行了数值试验,结果表明,算法十分有效.     

关于求解非线性方程组的Newton法的一个改进

本文对求解非线性方程组的Ｎｅｗｔｏｎ迭代法作了改进，并给出了局部收敛性定理．计算表明，改进后的Ｎｅｗｔｏｎ法的收敛域有明显扩大．     

求解对称非线性方程组基于信赖域的修正牛顿法

提出一个求解对称非线性方程组基于信赖域的修正牛顿法,在适当的条件下建立了该算法的全局收敛性.数值结果表明该方法是有效的.     

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。     

解无约束优化的非单调自适应信赖域算法

受文献[14]的启发,针对无约束优化问题提出了一个基于二次模型的非单调信赖域算法;算法结合自适应技术,避免信赖域半径更新的盲目性;并引入新的非单调技术,利用非单调Armijo线搜索得到步长,进而产生新的迭代点;在文献[14]减少一个假设条件的情况下,证明了该算法的全局收敛性,数值实验表明了算法的有效性。     

带有固定步长的非单调信赖域方法

该文提出一种新的非单调信赖域方法．当试探步不能被接受时,算法沿着试探步的方向求得下一个迭代点,其中步长利用固定公式计算．这种方法既避免了重复求解信赖域子问题,又减少了线搜索方法计算函数值的次数．该文采用的非单调策略是基于张洪超和Hanger（2004）出的非单调线搜索技术．在适当的条件下,证明了算法的全局收敛性及超线性收敛性．最后给出了初步的数值实验结果．     

一类无约束优化的非单调共轭梯度法

针对无约束优化问题,提出一类新的非单调共轭梯度法,在新的非单调Wolfe条件下保证了算法的全局收敛性,并在每次迭代过程中,均可得到初始的自适应步长和充分下降方向.数值结果表明算法是可行和有效的.     

一个新的解非线性对称方程组的非单调共轭梯度方法

给出一个新的解非线性对称方程组：g（x）=0（x∈R^n,g：R^n→R^n连续可微,并且其雅克比矩阵g（x）在x∈R^n上对称）的非单调共轭梯度方法,分析新方法的全局收敛性,并用数值实验来检验其有效性.新方法全局收敛,在不执行任意线搜索的条件下能够确保搜索方向的下降性,而且初始点的选择与维数的增加并不明显影响检验结果.