一种修正PRP共轭梯度法的全局收敛性

PRP共轭梯度法是众多求解无约束优化问题的共轭梯度法中数值效果表现最好的算法之一.提出一种修正的PRP共轭梯度法,该算法始终产生充分下降方向,并且该充分下降性的产生不依赖于任何线搜索.在一定的条件下,证明了该算法在Armijo型线搜索下求解无约束优化问题时具有全局收敛性.最后,给出了相应的数值结果,证明了该算法的有效性.     

一类修正LS谱共轭梯度法的全局收敛性 (运筹学与控制论)

谱共轭梯度法是一类将共轭梯度法和谱梯度法相结合的方法。2001年由Birgin和Martinez首先提出,但该方法不能保证始终产生下降方向。本文用已有的修正方法,给出一个修正的Liu-Storey公式,并结合谱梯度法,提出了一个具有充分下降性的修正Liu-Storey谱共轭梯度法,证明了该方法在标准Armijo非精确线搜索下的全局收敛性,并易推知该方法在Armijo-Goldstein非精确线搜索准则下同样满足全局收敛性。给出的数值实验表明,新算法略优于LS方法。     

MWWP线搜索下的新共轭梯度法

随着计算机技术的革新和生产生活中大规模无约束优化问题的涌出,为寻求高效快速的方法,本文构造新共轭梯度算法.将一种修正弱Wolfe-Powell线搜索称为MWWP线搜索,使其与具有良好的充分下降性的DPRP共轭梯度法相结合,证明了该算法在新型线搜索下的全局收敛性,并将该算法与传统共轭梯度法进行了数值实验对比,数值实验结果表明了新方法是有效可行的.     

基于修正BFGS的新混合共轭梯度法

基于Yuan及Li和Fukushima提出的两类修正割线方程,对Saman Babaie-Kafaki及合作者提出的混合共轭梯度法的搜索方向进行修正,产生在迭代过程中不依赖于任何线搜索而具有充分下降方向的新混合共轭梯度法.在适当的假设下,证明了新算法的全局收敛性.数值结果表明该方法是有效的.     

具有充分下降性的修正型混合共轭梯度法

基于已有的共轭梯度法思想,分别对两种混合共轭梯度法的搜索方向进行修正,使得新的修正型混合共轭梯度法在每步迭代都不依赖于任何线搜索而自行产生充分下降方向。在适当的条件下,证明了新算法在Wolfe线搜索下的全局收敛性。数值实验表明该方法是有效的。     

修正FR谱共轭梯度法在信号恢复问题中的应用

基于压缩感知理论，为解决稀疏信号恢复问题，在经典的FR共轭梯度法分析的基础上，给出一种基于谱梯度方法的修正FR谱共轭梯度法，该方法结合了FR、DY、CD等6种经典共轭梯度法的共轭参数部分特点。另外，证明了所给方法在Wolfe线搜索下具有下降方向且全局收敛，通过与其他2种算法的数值结果比较显示，本文算法具有一定优势。同时，信号重构结果表明，提出的方法重构信噪比高，耗时少，能有效的应用于稀疏信号的恢复问题。     

一个带有干扰因子修正PRP共轭梯度法的全局收敛性

非线性共轭梯度法是解决大规模优化问题的一种非常有效的方法,提出了一个修正的PRP方法,该参数带有干扰因子,并证明了这一新的参数具有非负性,且在适当条件下,采用Wolfe线搜索,证明该算法具有全局收敛性.     

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。     

一个新的修正HS共轭梯度法及全局收敛性

提出了一个新的修正HS共轭梯度算法解决无约束优化问题,该算法的特点是,搜索方向总是目标函数的下降方向,且不依赖于使用何种线搜索;特别是,若使用精确线搜索,该算法退化成标准的HS共轭梯度法.且在适当的假设条件下,证明了文章提出的算法具有全局收敛性,最后数值实验表明,文章提出的算法是可行的.     

Wolfe线搜索下的修正FR谱共轭梯度法

对无约束优化问题的谱共轭共轭梯度法,提出修正的FR共轭参数和谱参数,使每次迭代均自行产生下降方向,且这一下降性不依赖于任何线搜索条件。在常规假设下,证明了采用Wolfe线搜索的新算法具有全局收敛性。相关的数值实验结果表明该谱共轭梯度法是有效的。     

强Wolfe-Powell线搜索下共轭梯度法的全局收敛性

给出一类求解非线性无约束优化问题的共轭梯度新算法。 在强Wolfe-Powell线搜索下所给公式具有充分下降性, 所给该新算法具有全局收敛性。     

求解非线性方程组的一种新共轭梯度法

在求解非线性方程组问题的过程中,由已知的三项共轭梯度法的基础上设计出了一种新的共轭梯度法WW,并在适当条件下证明了其充分下降性及全局收敛性。数值实验结果表明,在与现有的一些共轭梯度法的对比中,WW方法有较强的竞争性。     

HS与PR共轭梯度算法的整体收敛性

研究共轭梯度算法的整体收敛性,在放宽了的强Ｗｏｌｆｅ搜索（１８）、（１９）下证明了［１］中提出的修正ＨＳ共轭梯度算法的收敛性,在充分下降性条件下,βｋ＝ｍａｘβＨＳｋ,０｛｝时也具有整体收敛性,同时,βｋ＝ｍａｘ０,βＰＲｋ｛｝时,利用Ａｒｍｉｊｏ搜索和Ｇｏｌｄｓｔｅｉｎ搜索的共轭梯度法也具有整体收敛性．     

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.     

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.     

一种新的非线性共轭梯度法的全局收敛性

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,我们证明了该方法对相应的算法具有全局收敛性,同时我们还证明了该方法在强Wolfe线搜索下具有充分下降性.并且本算法给出了比较好的数值结果.     

一种新的修正 Liu-Storey 共轭梯度法的全局收敛性（英）

在 Liu-Storey(LS)公式的基础上给出了一个修正的共轭梯度公式 beta _k^MLS. 证明了该新公式在 Wolfe-Powell 线搜索下, 甚至在强 Wolfe-Powell 线搜索下, 在满足sigma in bigg(0,textstyle1 over 2bigg) 的同时, 新算法具有充分下降性和全局收敛性. 数值结果展现了算法的可行性.     

下降对称的Polak-Ribiere-Polyak共轭梯度法

应用Powell对称化技术于Polak-Ribiere-Polyak共轭梯度法,提出了一种下降对称的Polak-Ribiere-Polyak共轭梯度法.对任意线性搜索,它都满足下降性质.在强Wolfe线搜索的条件下,利用矩阵的谱分析和Zoutendijk条件,证明了此算法的全局收敛性.最后,通过数值实验并且与Polak-Ribiere+(PR+)算法作比较,验证了该算法的性能和有效性与实用性.     

修改的LS共轭梯度法在强Wolfe条件下的全局收敛性(英文)

提出一种修改的LS共轭梯度法.在精确线搜索下,该方法可归结为LS共轭梯度法.在非精确线搜索下,它满足充分下降条件gkTdk≤-3/4∥gk∥2.本文还证明了其在强Wolfe条件下的全局收敛性.初步的数值结果表明该方法是有效的.     

无约束非线性规划的共轭梯度法研究综述

共轭梯度法是50多年来算法研究的热点课题,它最初是基于求解对称正定线性方程组提出的,随后推广到求解非线性无约束优化问题。现在,它已经成为数值最优化领域的一类重要方法,具有所需存储量小、局部和全局收敛性好的特性。综述了求解无约束非线性规划问题的共轭梯度法,总结了它近年来的研究状况,展望了未来的发展趋势。