一种具有充分下降性的新混合型共轭梯度法

对PRP法和FR法进行凸组合,提出了一种求解无约束优化问题的新共轭梯度法.该方法总是能生成一个充分下降方向,且它的凸组合参数为Babaie-Kafaki和Ghanbari的推广形式.在Wolfe线搜索条件下,新算法的全局收敛性得以建立,数值结果也说明提出的算法是有效的.     

Wolfe线搜索下具有充分下降性的混合共轭梯度法

共轭梯度法存储量低,运算简洁,对于求解大规模无约束优化问题非常有效。通过对PRP算法进行修正,提出一种新的混合共轭梯度法,在Wolfe线搜索下,每一步迭代都产生充分下降方向,在常规的假设条件下证明提出的算法具有全局收敛性。实验结果表明提出的算法对解决优化测试问题是有效的。     

一类具有充分下降性修正的DL共轭梯度法

基于DL共轭梯度方法,提出了一类修正的DL方法来解决无约束优化问题.该方法相对于DL共轭梯度方法具有一个更好的性质,即在强Wolfe线搜索条件下搜索方向具有充分下降性;证明了该方法在强Wolfe线搜索条件具有全局收敛性.     

一种自动充分下降的共轭梯度法

设计了一个新的含参数的共轭梯度公式,此公式自动拥有充分下降性质,在适当条件下,新算法在WWP线搜索下全局收敛.数值实验结果表明新算法是有效的,适用于无约束优化问题的求解.     

一类具有充分下降性的DL共轭梯度法

针对无约束优化问题,利用两项共轭梯度法(DL方法)去逼近改进的HS三项共轭梯度法,提出了改进的DL共轭梯度法即MDL共轭梯度法.该方法相对于DL方法具有一个更好的性质,即该共轭梯度法的搜索方向不依赖任何线搜索就可满足充分下降条件,理论上证明了该方法在Wolfe线搜索条件下对一般函数具有全局收敛性.     

一类具有充分下降性的共轭梯度算法

在一些著名的共轭梯度算法基础之上,提出一类新的共轭梯度算法,用于求解无约束优化问题.该方法在不依赖于任何线搜索的情况下能够保证充分下降性,且在Wolfe线搜索下证明了算法具有全局收敛性.数值结果表明新提出的算法是有效的.     

一类充分下降的混合CD-LS共轭梯度法

为了结合共轭下降（conjugate descent,CD)法良好的理论性质和Liu-Storey (LS)法较好的数值效果,以降低小步长对迭代的不良影响,以及使搜索方向的下降性独立于线搜索的选择。通过混合CD法和LS法的分子,对梯度函数进行了相应的修正。方向的充分下降性独立于线搜索的选取,可应用于多种线搜索;基于Wolfe线搜索,证明了算法的全局收敛性。42类无约束测试函数和图像去噪的结果表明,基于相同的终止条件所提出的算法的迭代次数和迭代时间均少于之前的3类共轭梯度算法。     

一个充分下降LS型共轭梯度算法的全局收敛性

共轭梯度法是求解大型无约束非线性优化问题的一种常用方法,在应用中通常以负梯度方向作为其自动重启方向. 该文在LS共轭梯度法的基础上,结合一种新的自动重启方向,证明了算法的自动充分下降性和在强Wolfe线搜索下的全局收敛性,给出的数值试验结果表明算法是有效的.     

强Wolfe条件下一类修正FR共轭梯度法

通过适当修正Fletcher-Reeves(FR)方法,提出了一类修正FR共轭梯度法方法(MFR*),并证明了MFR*方法在强Wolfe线搜索下具有充分下降条件和全局收敛性.     

具有充分下降性的共轭梯度法及其收敛性

提出了一类新的共轭梯度方法.该方法无需线搜索而具有充分下降性,在Wolfe-Powell线搜索下该方法具有全局收敛性.数值试验表明该方法具有良好的数值结果.     

二类无约束优化的混合DY-CD共轭梯度法

针对无约束优化问题,提出二类新的混合DY-CD的下降共轭梯度法.每次迭代过程中,算法产生的搜索方向均为充分下降方向.在水平集有界条件下,证明了算法的全局收敛性.数值结果表明算法是可行、有效的.     

一种修正的三项PRP共轭梯度法

为了更有效求解一类大规模无约束优化问题,克服其他算法普遍存在的算法较为复杂,存储量大和计算机编程难等不足,在传统三项PRP共轭梯度法的基础上,结合近年来关于三项共轭梯度法和新型线搜索的研究成果,定义了一种新的搜索方向,并采用一种新型的线搜索构建了算法,证明了其具有自动充分下降和信赖域的性质,并在适当的条件下证明了其全局收敛性。数值试验结果表明,在求解一类大规模无约束优化问题上新算法比传统三项PRP共轭梯度法更具有竞争性。具有良好收敛性质的新算法为解决一类求解大规模无约束优化问题提供了更高效的算法依据。     

Armijo线搜索下谱共轭梯度法全局收敛的一个充分条件

在一般假设下,提出并证明了Armijo线搜索下谱共轭梯度法全局收敛的一个充分条件,分析了充分条件的优越性。分析结果表明:1)该充分条件的一个推论是文献[9]中定理1弱化后的结果;2)谱参数对谱共轭梯度法的全局收敛性起着重要的调节作用;3)该充分条件为构造全局收敛的谱共轭梯度法提供了依据。     

一类新型的修正WYL共轭梯度算法

针对大规模无约束优化问题,提出一类新型的修正WYL共轭梯度算法。新算法不依赖任何线搜索且具有充分下降性和信赖域性质,在弱Wolfe-Powell线搜索下全局收敛。初步的数值实验结果表明,新算法是有效的,比经典WYL型共轭梯度法更具竞争性。     

一种含参数的修正HS共轭梯度法及其收敛性

提出了一种含参数的修正HS共轭梯度法,该算法具有性质:1参数βBHSk不仅具有梯度值的信息还具有函数值的信息;2参数βBHSk是非负的;3其产生的搜索方向是充分下降的。在合适的条件下,证明了该算法在弱的Wolfe线搜索下具有全局收敛性,数值结果证明了该算法对于求解无约束优化问题的有效性。     

求解无约束问题的一个杂交共轭梯度法

给出了一个基于PRP方法的新的杂交共轭梯度法,并在适当的条件下,证明了新算法的全局收敛性.数值结果表明提出的算法是有效的.     

求解无约束问题的一个杂交共轭梯度法

给出了一个基于PRP方法的新的杂交共轭梯度法，并在适当的条件下，证明了新算法的全局收敛性．数值结果表明提出的算法是有效的．     

一个修正的NVPRP方法

非线性共轭梯度方法是解决大规模无约束问题最有效的方法之一,提出了一类新的修正共轭梯度算法,新算法推广了黄海东等的共轭梯度参数算法,不依赖任何线搜索且具有充分下降性;然后,在标准Wolfe非精确线搜索下,得到了新算法的全局收敛性.     

求解非光滑优化问题的修正HS三项共轭梯度法

为了提高大规模非光滑优化问题的求解效率,克服其他方法存储需求大、算法复杂等缺点,提出求解非光滑优化问题的一种修正HS共轭梯度算法。在经典HS三项共轭梯度法的基础上提出一种新的搜索方向,并利用Moreau-Yosida正则化技术和Armijo-type线搜索技术进行设计。新算法满足充分下降条件,搜索方向属于信赖域,在适当条件下证明了新算法全局收敛。初步的数值实验表明新算法在求解非光滑无约束优化问题方面比LMBM方法更有效。新算法不仅具有较好的收敛性质,而且数值表现良好,为更加高效地求解非光滑优化问题提供了新的方法。