一个新的对称秩1变尺度算法及其全局收敛性

本文在参考文献[6]的基础上,进一步修正了原对称秩1拟牛顿法,从而提出了一个新的对称秩1变尺度算法,此法具有形式简单、易于计算的特点。并且我们证明了此新算法具有较好地全局收敛性质。     

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。     

伪牛顿信赖域算法及其收敛性

本文提出了一类新的求解无约束最优化问题的信赖域算法.新算法将Goldstein线搜索技术与信赖域方法相结合,并通过伪Newdon-δ族校正公式计算信赖域子问题中的Bk,使算法不仅不需重解子问题,而且每步迭代都满足弱拟牛顿方程,保证了目标函数的近似Hesse阵Bk的正定性.在适当的条件下,证明了此算法的全局收敛性和Q-二...     

一种改进的BFGS算法及其全局收敛性分析

针对无约束最优化问题，提出了一个基于新拟牛顿方程Bk＋1Sk=yk^＊的新改进BFGS算法，并在目标函数一致凸的假设条件下证明了该算法的全局收敛性。     

伪Newton-B族算法对一般目标函数的收敛性

针对无约束优化问题,将Goldstein非精确线搜索技术引入伪Newton-B族算法.在假设目标函数f(x)二阶连续可微有下界,水平集L={x|f(x)≤f(x(1))}有界的条件下,证明该算法对一般目标函数的全局收敛性,得到一个条件更弱的结论.     

修改Broyden族在一类非精确线搜索下的全局收敛性

将一类W olfe类线搜索模型的LS搜索模型与文献[10]提出的修改B royden族(M BC 1和M BC 2)相结合,得到M BC 1算法和M BC 2算法,并证明M BC 1算法和M BC 2算法在LS搜索模型下具有全局收敛性.     

一类新拟牛顿算法的全局收敛性与数值试验

在Hiroshi Yabe等提出的新拟牛顿方程基础上,给出一类新拟牛顿算法(称为MBFGS算法),同时在一定的假设条件下,结合Wolfe搜索准则,证明了MBFGS算法具有全局收敛性,并进行了数值试验,结果表明,对于一般的无约束优化,本文的MBFGS算法是正确和有效的.     

一种改进的混合牛顿算法

目的研究非凸函数的无约束最优化问题的算法。方法提出求解该问题的一种混合牛顿算法。结果新算法能有效弥补牛顿算法要求目标函数"凸"的局限性,从而推广了牛顿算法的适用范围,在一定条件下新算法仍具有全局收敛性和二次收敛性。结论新的算法是有效可行的。     

求解非凸函数优化问题的修正广义拟牛顿算法

对无约束最优化问题,提出了一种修正的广义拟牛顿算法,证明了该算法对非凸函数在Goldstein非精确线搜索下具有全局收敛性．     

一类共轭梯度算法的收敛性

对无约束最优化问题minfx∈R^n（x）,提出了一类与βk^HS相关的共轭梯度算法,采用强Wolfe搜索,在较弱的条件下,证明了其充分下降性和全局收敛性．     

关于Broyden族算法收敛性的几种解析

研究无约束最优化问题,理论分析和大量数值实验表明,拟牛顿法是效果最好的一类方法,它利用目标函数值和一阶导数的信息,构造出目标函数的曲率近似,使方法具有类似牛顿法的收敛速度快的优点。Broyden族算法正是目前较流行的一类拟牛顿算法。它可以在精确线搜索和非精确线搜索两种条件下考虑。在这篇文章中,首先研究了采用Broyden族算法(∈[0,1))的整体收敛性和一类非精确搜索的Broyden(∈[0,1))的整体收敛性。最后研究了Broyden族算法的超线性收敛性。     

PR共轭梯度算法的全局收敛性

给出一种新的Armijo型的线搜索,在该搜索下PR共轭梯度算法能保证无约束最优化问题的全局收敛性。     

伪Newton—R族算法的导出及其性质

对无约束优化问题提出了一个新的拟Ｎｅｗｔｏｎ法（伪Ｎｅｗｔｏｎ－Ｒ族算法），这种方法具有二次终止性及调比不变性。它产生的近似Ｈｅｓｓｅ阵序列保持正定对称传递性。该算法对一致凸函数具有全局收敛性的超线性收敛性。     

修正的HS共轭梯度算法的全局收敛性

对求解无约束优化问题的共轭梯度法中的方向参数给定新的区间取法，将HS共轭梯度参数限制在此区间上，保证搜索方向是目标函数的充分下降方向，在此基础上提出了修正HS共轭梯度算法（MHS），并在较弱的条件下讨论了新算法在广义Armijo步长搜索下的全局收敛性。数值试验结果表明，新算法比广义Armijo步长搜索下的FR、PR、HS共轭梯度算法有效。     

修正的HS共轭梯度算法的全局收敛性

对求解无约束优化问题的共轭梯度法中的方向参数给定新的区间取法,将HS共轭梯度参数限制在此区间上,保证搜索方向是目标函数的充分下降方向,在此基础上提出了修正HS共轭梯度算法(MHS),并在较弱的条件下讨论了新算法在广义Armijo步长搜索下的全局收敛性.数值试验结果表明,新算法比广义Armijo步长搜索下的FR、PR、HS共轭梯度算法有效.     

一个新的拟牛顿信赖域方法

提出求解无约束优化问题的一个修正拟牛顿信赖域方法。算法可以保持信赖域子问题海森矩阵的正定性。在适当条件下,证明了算法的全局收敛性,并通过数值实验说明了算法的可行性。     

无约束优化问题线搜索方法的收敛性

在较弱条件下给出了5种线搜索准则下的线搜索方法的收敛结论,这些结论对于构造快速有效的收敛算法是十分有用的。表明了搜索方向在这些方法中起主要作用,同时步长在一定条件下保证了算法的全局收敛性。说明了算法可用于求解更广泛的无约束优化问题。     

一类修正的共轭梯度方法及其全局收敛性

提出了一类修正的共轭梯度方法.该方法的显著特点是在无需线性搜索的条件下每次搜索方向都是充分下降方向.在较弱的条件下证明了这类方法的全局收敛性.     

基于正基的下降算法及其收敛性质

本文利用正基,给出一个无约束优化问题的下降算法,在较弱的条件下证明了算法具有较强的收敛性质,而且我们的算法只需计算方向导数,这样在计算时可直接利用差分来近似。     

带线搜索的修正拟牛顿非单调信赖域算法

提出了一类新的求解无约束最优化问题的非单调信赖域算法.不同于传统的非单调信赖域算法,此算法在每步都采用非单调W olfe线搜索得到下一个迭代点.这样得到的新算法不仅不需重解子问题,而且在每步迭代满足新拟牛顿方程同时保证目标函数的近似Hessen阵Bk的正定性.在较弱的条件下,证明了此算法的全局收敛性.数值结果表明该算法的有效性.