求解大规模非线性单调方程组的共轭梯度算法

基于经典PRP(Polak-Ribière-Polyak)算法,设计一个具有充分下降性和信赖域性质的搜索方向,采用投影技术及经典单调线搜索,提出一种求解大规模非线性单调方程组的修正共轭梯度算法.在常规条件下,新算法具有全局收敛性.初步的数值实验结果表明：新算法比经典PRP算法和3项PRP算法效率更优,鲁棒性更好,适合求解大规模非线性单调方程组.     

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.     

一类求解大规模非线性单调方程组的无导数共轭梯度方法

提出一类求解大规模非线性单调方程组的无导数共轭梯度算法.利用Liu和Feng提出的共轭参数改进技术,对数值性能较优越的RMIL共轭梯度方向进行改进,并引入谱参数,构造新的搜索方向.该方向继承了RMIL共轭梯度法的数值稳定性且满足充分下降性条件.再结合投影技术和无导数线搜索技术,在适当假设条件下,获得算法的全局收敛性证明...     

一种求解单调方程组的范数下降共轭梯度法

提出一种求解大规模非线性单调方程组的范数下降共轭梯度算法.所提算法推广了Xiao,Song,Wang等提出的求解无约束优化问题的基于BB循环步长的共轭梯度算法,并结合Solodov和Svaiter提出的投影梯度算法.所提算法迭代形式简单、储存量小,且每步迭代不需要方程组的导数信息.本文证明算法的全局收敛性,并做数值试验验证算法在求解非线性单调方程组方面的有效性.     

求解非线性互补问题的非单调共轭梯度法

利用非线性互补问题（NCP）的F－B价值函数,基于PRP＋型共轭梯度算法,结合Gu N．Z．的新的非单调搜索技术提出新的利用F－B价值函数求解非线性互补问题（NCP）的非单调共轭梯度算法,该算法保持了共轭梯度算法和非单调数据的优良性质．在适当的条件下,证明了算法的全局收敛性,数值实验证明是有效的,适合解决大规模非线性互补问题．     

一类无约束优化问题的非单调共轭梯度法

主要研究了一类在推广的线搜索条件下的非单调共轭梯度法，并在较弱的假设条件下证明了其全局收敛性。     

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.     

非单调共轭梯度法的全局收敛结果

共轭梯度法主要依靠d1=-g1,dk+1=-gk+1+βkdk,k 1,其中g为目标函数f(x)的梯度,进行迭代,不同的βk会产生不同的算法.本文主要是在非单调线搜索的条件下,当βk满足σ|βk/βFRk| σ(0<σ<1,0< σ<12)时证明了其全局收敛性.     

一类非单调修正DY共轭梯度法

研究了一类非单调线搜索修正DY法,在适当的条件下,对一般非凸函数,证明了在新给出的非单调线搜索下修正的DY共轭梯度方法的全局收敛性,数值结果表明了该算法的有效性。     

凸约束非线性方程组的三项共轭梯度法及其应用

对求解凸约束大规模非线性方程组问题和信号恢复问题,设计出一个新的三项共轭梯度方向。新算法的搜索方向具有充分下降性与信赖域特性,在较弱的假设下,具有全局收敛性质。数值试验表明,新算法是有效的,并成功地应用于稀疏信号重建问题。     

有界约束非线性方程组的不精确牛顿类仿射共轭梯度路径方法

提供了不精确牛顿类的仿射内点离散共轭梯度法求解有界变量约束的非线性方程系统.通过构建仿射离散共轭梯度路径结合不精确牛顿步获得了搜索方向,并使用内点回代线搜索技术获得迭代步长.在合理的条件下,证明了算法的整体收敛性和局部超线性收敛速率.最后,数值结果表明了所提供的算法的有效性和可行性.     

一种求解大规模方程组的修正Dai-Yuan共轭梯度法

设计一种针对大规模非线性方程组的修正DY共轭梯度算法.该算法的搜索方向不仅自动满足充分下降条件,而且属于信赖域.在适当条件下,可以证明新算法是全局收敛的.初步的数值实验表明新算法可以有效求解大规模非线性方程组.     

基于非单调线性搜索技术的修正HS共轭梯度法

基于拟牛顿法中MBFGS修正技术,对HS共轭梯度法中搜索方向的计算公式进行了修正,在较弱的条件下,结合非单调Armijo线性搜索技术,证明了所提出的修正HS共轭梯度法具有全局收敛性,最后通过数值实验验证了所提出的算法的有效性。     

求解凸集约束优化问题的共轭梯度的GLP投影算法

利用GLP投影技术 ,对凸约束的非线性规划问题构造了一个共轭梯度的GLP投影算法 ,在一维精确步长搜索下 ,给出了算法较强的全局收敛性结果 ,由于算法需要较小的存储量 ,特别适合于计算大规模的约束优化问题。该算法提高了梯度投影法的收敛速度。     

无约束优化问题的一种新的共轭梯度法

为了求解无约束优化问题,提出了一种新的共轭梯度法,并证明了其在适当的条件下满足全局收敛性.初步的数值结果表明新的共轭梯度法是有效的.     

凸约束非线性方程组的非单调信赖域算法

提出了一种凸约束非线性方程组的非单调信赖域算法,在合理的条件下所提供的算法具有全局收敛性并保持局部收敛速率．     

一种混合的共轭梯度法

共轭梯度法是求解大规模无约束问题的一种有效方法.针对算法的优劣主要依赖于步长因子和搜索方向的特点,结合共轭梯度法的共轭性质,提出一种改进的可以控制步长因子的混合的HS-DY共轭梯度法.数值试验表明算法具有良好的收敛性和有效性.     

一种混合的HS—FR共轭梯度算法

给出了一个混合的ＨＳ－ＦＲ共轭梯度算法,其中参数βｋ＝ｍａｘ｛０,ｍｉｎ,（β＾ＨＳｋ,β＾ＦＲｋ）｝,在无充分下降性条件下,得到两个收敛性定理－定理３与定理４．其中定理３在下降条件与强Ｗｏｌｆｅ搜索准则下证明了梯度序列必有零聚点;定理４是定理３的改进,它的表明在没有下降条件下定理３的结论仍然成立。     

求解无约束优化问题的一种混合共轭梯度法

文章给出了一个改进的共轭梯度公式及新公式的相关性质,新公式和DY公式结合得到一个混合共轭梯度法,新算法在Wolf线搜索下产生一个下降方向;并证明了算法的全局收敛性,给出了数值例子.     

具有性质(*)的一类共轭梯度法的全局收敛性

对具有性质（*)的共轭梯度进行了讨论，该性质是由Jean Charles和Jorge Nocedal在1992年提出的，Yuhong,Dai,Jiye Han等人也对此进行了讨论，本文放松了现有结果中参数βk≥0的限制，并保证在几种可行的线搜索下共轭梯度算法的全局收敛性。