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.     

求解无约束优化问题的两个谱共轭梯度法的全局收敛性

谱共轭梯度法含有两个方向调控参数,是一种结合共轭梯度法和谱梯度法的无约束优化方法。本文建立新的共轭参数和谱参数,提出无约束优化问题的两个谱共轭梯度法,这两个新方法在精确线搜索下等价于FR共轭梯度法。然后,证明了算法1在Wolfe线搜索下和算法2在Armijo线搜索下的全局收敛性,并给出了算法的数值实验结果,验证了算法的有效性。     

一类不带线搜索的单参数共轭梯度法的全局收敛性

共轭梯度方法是求解大规模优化问题的一种非常有效的方法.近年,戴彧虹和袁亚湘提出了一种三参数共轭梯度法,并证明了这种方法的收敛性.然而,线搜索技巧往往会增加计算的复杂度,为了克服这个缺点,孙捷和张家普又提出了一种叫做不带线搜索的共轭梯度方法.该文的主要工作就是把这种不带线搜索技巧,应用到三参数共轭梯度法的一种特殊情况上,并证明其收敛性.     

求解无约束优化问题的两个谱共轭梯度法的全局收敛性

谱共轭梯度法含有两个方向调控参数,是一种结合共轭梯度法和谱梯度法的无约束优化方法。本文建立新的共轭参数和谱参数,提出无约束优化问题的两个谱共轭梯度法,这两个新方法在精确线搜索下等价于FR共轭梯度法。然后,证明了算法1在Wolfe线搜索下和算法2在Armijo线搜索下的全局收敛性,并给出了算法的数值实验结果,验证了算法的有效性。
     

一种求解无约束优化问题的共轭梯度法

共轭梯度法是求解大规模无约束问题的一种有效方法,本文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.     

等式约束优化问题的一类混合共轭梯度投影算法

构造了一种混合共轭梯度法,并将其与Rosen投影梯度法相结合运用于求解线性等式约束优化问题.这种新的混合共轭梯度投影法有效改善了Rosen投影梯度法收敛性速度较慢的情况,并在Wolfe线搜索下具有全局收敛性.     

等式约束优化问题的一类混合共轭梯度投影算法

构造了一种混合共轭梯度法,并将其与Rosen投影梯度法相结合运用于求解线性等式约束优化问题.这种新的混合共轭梯度投影法有效改善了Rosen投影梯度法收敛性速度较慢的情况,并在Wolfe线搜索下具有全局收敛性.     

建立在DY法上的两类混合共轭梯度法

在经典的DY共轭梯度法的基础上,提出了两种混合共轭梯度,并证明了在特定的条件下,这两种算法所产生的方向均为充分下降方向,同时在广义Wolfe线搜索条件下,这两种方法又具有全局收敛性。数值试验结果表明新方法对于给定的测试函数在数值效果上明显优于DY共轭梯度法。     

一类混合CD-LS共轭梯度法的全局收敛性

为了寻找同时具有良好的收敛性和数值表现的共轭梯度法.将CD方法和LS方法结合,选用推广的Wolfe线搜索,构造出一类新的混合共轭梯度法.新的混合共轭梯度法不需要限制推广的Wolfe线搜索条件中的参数,但得到的下降性与CD法一致,具有比CD方法更好的收敛性,并具有全局收敛性.对新算法进行数值试验,通过与CD法和LS法的数值结果进行比较,表明新算法是可行的,尤其对大规模无约束优化问题.     

一种充分下降的共轭梯度法及其收敛性

基于经典的共轭梯度法,提出一类具有充分下降性的共轭梯度法,并给出了该算法在弱Wolfe步长搜索下的全局收敛性.最后,进行了数值实验,数值效果和算法的全局收敛性表明该算法是有效的.     

解带线性或非线性约束最优化问题的结合共轭梯度参数的记忆梯度Rosen投影算法

对于求解无约束规划的记忆梯度算法中的参数。作者利用Rosen投影矩阵给出了一个条件以确定其取值范围。使其在取值范围内取值均能得到目标函数的记忆梯度Rosen投影下降方向。从而建立了求解带线性或非线性约束最优化问题的记忆梯度Rosen投影算法．然后在较弱条件下证明了算法的收敛性。同时给出了具有好的收敛性质和较快收敛速度的结合FR,PR,HS共轭梯度参数的记忆梯度Rosen投影算法,从而将经典的共轭梯度法推广用于求解约束规划问题．由于算法需要较小的存储,算法适合于大规模问题的计算．数值例子表明算法是有效的．     

一类新的Wolfe线性搜索下的记忆梯度法

提出一类新的求解无约束优化问题的记忆梯度法,在较弱条件下证明了算法具有全局收敛性和线性收敛速率。算法在每步迭代中利用当前和前面迭代点的信息产生下降方向,不需计算和存储矩阵,适于求解大规模优化问题。初步的数值试验表明算法比Wolfe搜索下的FR,PRP和HS共轭梯度法及最速下降法有效。     

一类共轭梯度算法的收敛性分析

对解决无约束最优化问题提出一种包含了四种经典共轭梯度法的双参数共轭梯度法簇,并结合修改后的Armijo线搜索技术,证明了新的双参数共轭梯度法簇具有全局收敛性.     

共轭下降法的一个全局收敛性结果

共轭梯度法是求解无约束最优化问题的一个著名方法，共轭下降法是其中的一种，它最早由Fletcher提出，在对共轭下降法进行研究并确定了步长λk时，使用了一种新的Armijo类型的搜索，证明了新算法的可行性及佤中收敛性，提出的搜索简单易行，丰富了共轭梯度法的内容。     

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.     

利用记忆梯度法改进的变步长恒模盲均衡算法研究

针对传统恒模盲均衡算法收敛速度慢、固定步长条件下收敛速度和收敛精度之间存在矛盾的缺陷,提出了一种利用记忆梯度法改进的变步长恒模盲均衡算法。用记忆梯度算法替代最速梯度下降算法实现对恒模盲均衡中均衡器权值的调整,充分利用当前和前面迭代点的梯度信息,同时利用梯度信息变化率作为学习步长调整因子。新算法有效地提高了算法收敛速度,与共轭梯度法和拟牛顿法等改进算法比较,具有较低的计算复杂度和更好的均衡性能。计算机仿真证明了这一算法的有效性。     

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。     

一种改进的自适应盲均衡算法

以广泛使用的随机梯度算法为基础,分析了盲均衡器的收敛性能,提出了一种具有凸性的代价函数和一种归一化的迭代步长,改善了误差性能的多模性,加快马鞍点处的收敛速度。     

耦合Sylvester矩阵方程的改进的梯度迭代算法

本文通过构造矩阵分裂,结合线性系统的迭代方法,提出了求解耦合Sylvester矩阵方程的两种梯度迭代算法,并研究了这两种算法在满足初始迭代条件下的收敛性.最后给出数值算例验证了这两种算法的有效性.     

一族共轭梯度算法的全局收敛性

提出了一族计算βk的新公式,即提出了一族新的共轭梯度法,证明了一种非精确线怀搜索能够保证这种方法的下降性和全局收敛性。