一个新的PRP共轭梯度法的全局收敛性

提出了一个不依赖线搜索且具有充分下降性的新的共轭梯度法(ZPRP法),并证明了ZPRP方法在强Wolfe搜索条件下全局收敛.     

新的PRP型谱共轭梯度法及其全局收敛性

提出了一种新的不依赖于线搜索就满足充分下降性的PRP型谱共轭梯度法,证明了算法在标准Armijo线搜索下的全局收敛性,并进行了数值比较试验.理论与数值试验结果表明这个算法是一个值得研究的方法.     

一个新的混合共轭梯度法及其收敛性

共轭梯度方法是求解无约束优化问题的一种有效的方法,特别是在大规模的计算问题中极其有效.提出了在新的线搜索下的一种混合共轭梯度方法,并证明了它的全局收敛性.     

一类修正PRP共轭梯度法及其全局收敛性

提出一类改进的PRP共轭梯度法,该算法采用一个新的公式计算参数并且具有下列性质:1)在任何线搜索下都满足充分下降性;2)继承了PRP方法的重要性质;3)在一些假设条件下具有全局收敛性.初步的数值试验表明,该算法是有效可行的.     

一个修正PRP共轭梯度法的全局收敛性分析

提出了求解无约束最优化问题基于Armijo线搜索的一个修正PRP共轭梯度法,在适当条件下,证明了该算法的全局收敛性.最后给出数值实验说明算法的有效性.     

一个修正的非线性三项PRP共轭梯度算法

基于共轭梯度法迭代简单、计算高效的优势,提出一种修正三项PRP共轭梯度算法。该算法满足充分下降性,对非凸优化问题具有全局收敛性和R-线性收敛性。在无约束优化问题、马斯京根模型参数估计和图像复原问题的数值实验结果表明,该算法都具有更好性能。     

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。     

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.     

一种三项CD共轭梯度法及其全局收敛性

在前人提出的三项PRP共轭梯度法的基础上,提出了一种三项CD共轭梯度法.与以往求解无约束优化问题的经典二项共轭梯度法不同,该算法的搜索方向是三项的,且在任何线性搜索下都具有充分下降性.在适当的条件下,证明了三项CD共轭梯度法在强Wolfe线性搜索下具有全局收敛性.     

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.     

求解大规模无约束优化问题的一种新的PRP三项共轭梯度法

提出了一种修正Polak—Ribiere—Polyak(PRP)三项共轭梯度算法,在Yuan-Wei-Lu不精确线搜索下,求解大规模无约束优化问题.在适当的条件下,新算法具有充分下降性和信赖域特征,对于非凸函数具有全局收敛性.初步的数值实验表明,新算法比相似算法更有效.     

一种带扰动项的修正PRP共轭梯度法的全局收敛性

提出了一种搜索方向带扰动项的修正PRP共轭梯度法。在主方向充分下降的情况下,证明采用强wolfe搜索时,算法是全局收敛的。最后给出了初步的数值试验结果。     

一类新的WYL型共轭梯度法及其全局收敛性

共轭梯度法是求解大规模无约束优化问题的一类重要的优化方法,该方法具有全局收敛性和存储量小的优点.提出了一类修正的Wei-Yao-Liu型三项共轭梯度法,该方法扩大了其中参数的选择范围,在强Wolfe搜索下满足充分下降条件和全局收敛性.初步的数值试验说明了算法的有效性.     

在新线搜索下修正PRP共轭梯度法的收敛性

介绍了一种新线搜索的背景,该线性搜索将wolfe线搜索中的参数范围由0δ1/2扩展至0δ1,并证明了修正PRP共轭梯度法在该线搜索下的全局收敛性.     

一种修正的PRP共轭梯度法的全局收敛性

针对张丽提出的一种修正的PRP方法——NPRP法,在广义Wolfe下证明了NPRP法的全局收敛性.     

一个修正的三项LS共轭梯度法

基于已有的共轭梯度法的思想,提出了一个三项LS共轭梯度方法,该方法能保证搜索方向在不需要任何线搜索下具有充分下降性,并在适当条件下获得此方法对一般函数的全局收敛性.     

新线搜索下修正PRP共轭梯度法的全局收敛性及其数值结果

针对大规模非线性无约束问题,采用文献[9]提出的新型线搜索和文献[10]修正PRP公式设计一个新的算法。在适当的条件下,证明新算法具有全局收敛性。初步的数值试验结果表明,新算法是有效的,适合求解大规模非线性无约束优化问题。     

一类Armijo搜索下新的共轭梯度法及其全局收敛性

为有效求解大规模无约束优化问题,提出了一类新的混合共轭梯度法.该方法在每步迭代中都不依赖于函数的凸性和搜索条件而自行产生充分下降方向.在适当的条件下,获证了在Armijo搜索下,即使求解非凸函数极小化的问题,算法也具有全局收敛性.同时,数值实验表明所提算法可以有效求解优化测试问题.     

Wolfe线搜索下一类新的共轭梯度法及其收敛性

本文提出一类新的共轭梯度法,证明了其在Wolfe线搜索下具有全局收敛性,最后对算法进行数值试验,数值结果表明该算法是有效的。     

一类新的杂交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杂交共轭梯度新算法.证明公式在推广的强Wolfe线搜索下具有充分下降性,并证明该新算法在推广的强Wolfe线搜索下具有全局收敛性.数值结果表明该方法是可行的.