LS—共轭梯度算法的收敛性

对无约束规划（P）：minx∈R^nf(x)。其中f(x)是Rn→R^1上的二阶连续可微函数，通过引入强迫函数和逆连续模函数，证明了一类采用Curry-Altman步长规则的LS-共轭梯度算法的全局收敛性质，利用比较原理进一步讨论了LS-共轭梯度算法在采用另外三种步长规则下的全局收敛性。     

固定步长修正LS共轭梯度法的全局收敛性

基于修正LS共轭梯度法，给出步长公式，使无线搜索算法的迭代过程自动满足充分下降性．在水平集中目标函数有界和梯度函数Lipschitz连续的条件下，分别证明了采用固定步长和常数步长的算法具有全局收敛性．     

Armijo线搜索修正LS共轭梯度法的收敛性

基于修正LS共轭梯度法,给出合适的初始步长,使采用Armijo线搜索的迭代过程满足充分下降性.在较弱的条件下,证明算法具有全局收敛性和至少线性收敛速率.     

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.     

广义Armijo步长搜索下的梯度算法的收敛特征

:对无约束规划 (P) :minx∈Rnf(x) ,其中 ,f(x)是Rn→R1上的一阶连续可微函数 ,在去掉迭代点列 {xk}有界和广义Armijo步长搜索下 ,讨论了梯度算法的全局收敛性 ,证明了算法具有较强的收敛性质。     

广义Curry线搜索下一种新共轭梯度法及其全局收敛性

本文对无约束最优化问题：min f(x)，x∈R^n．提出一种新的共轭梯度法．该算法中参数βκ采用一种新取法．并结合广义Curry线搜索及n步重新开始策略．在关于目标函数较弱条件假设下，证明了所给算法的全局收敛性．     

一种线搜索下修正LS共轭梯度法的全局收敛性

根据一种可获得更大步长的非精确线搜索条件，结合LS共轭梯度法的计算公式，本文给出了一种修正LS算法，该算法保证每次迭代中的搜索方向是充分下降的，并证明了该算法是全局强收敛的．     

广义Armijo步长搜索下的梯度算法的收敛特征

对无约束规划（P）：minf(x)。其中,f(x)是R^n→R^1上的一阶连续可微函数,在去掉迭代点列{xk}有界和广义Armijo步长搜索下,讨论了梯度算法的全局收敛性,证明了算法具有较强的收敛性质。     

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。     

结合Armijo步长搜索的一类新记忆梯度算法及其收敛特征

对于求解无约束规划的共轭梯度算法中的共轭梯度方向参数 ,给定一个假设条件 ,确定它的一个取值范围 ,以保证搜索方向是目标函数的充分下降方向 ,由此提出了一类新的记忆梯度算法。在去掉迭代点列有界和Armijo步长搜索下 ,讨论了算法的全局收敛性 ,同时给出了结合FR、PR、HS共轭梯度算法的修正形式。数值实验表明 ,新算法比Armijo步长搜索下的FR、PR、HS共轭梯度法更稳定、更有效。     

结合Armijo步长搜索的新三项共轭梯度算法及其收敛特征

对求解无约束优化问题提出了一类新的三项共轭梯度求解算法,在去掉迭代点列{xk}有界和Armijo步长搜索下,讨论了算法的全局收敛性,同时给出结合FR、PR、HS共轭梯度参数的三项共轭梯度算法,数值算例表明新算法比Armijo步长搜索下的FR、PR、HS共轭梯度算法有效。     

新Armijo线搜索下的FR共轭梯度法及其收敛性

描述了一种在新Armijo线搜索下的Fletcher-Revees(FR)共轭梯度法,并分析了其收敛性,从理论上证明了借助新的Armijo线搜索,FR共轭梯度法不仅可保证在每步迭代中都容易找出步长,而且可保证全局收敛性.     

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.     

两个修正的DL共轭梯度法

基于带有割线条件的DL方法,提出了两个满足改进的割线条件的修正共轭梯度方法——MDDL1方法与WMDDL1方法.在步长满足Wolfe线搜索的条件下,证明了MDDL1方法具有充分下降性;进一步地证明了WMDDL1方法不依赖任何线搜索具有充分下降性;最后分析和证明了两个方法在步长满足强Wolfe线搜索的条件下对一般函数均具有全局收敛性.     

求解非负约束优化问题的可行LS共轭梯度法

结合子空间思想和Liu-Storey(LS)共轭梯度法,提出了求解大规模非负约束优化问题的可行共轭梯度算法,并分析了算法在Armijo型线性搜索下的全局收敛性.数值实例表明该算法是有效的.     

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.     

一种新线性搜索下的混合共轭梯度法

共轭梯度法是求解大规模无约束问题的一种有效方法，文章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，在HS方法和DY方法的基础上，提出了一种混合共轭梯度法，并证明了全局收敛性。