改进的无约束优化问题的过滤算法

信赖域算法加入过滤技术可以加大试验点x+,被接受的几率.文章去除了信赖域子问题凸性的判断,同时对于信赖域半径采用自适应的选取办法,使信赖域半径与gk和Bk密切相关,以求对于信赖域算法的改进.     

一种求解不定信赖域子问题的双割线折线法

结合利用Hessian阵的特征值性质,针对Bk是不定的情况,提出了一种双割线折线法来求解不定的信赖域子问题,并从理论上分析了当Bk不定时,双割线折线路径的合理性,且给出了算法的收敛性质。最后,详细的数值试验表明,算法是有效的。     

一类新的求解约束优化问题的锥模型信赖域算法

本文提出了一类新的求解线性等式约束优化问题的锥模型信赖域算法.不同于以往的求解约束问题的锥模型信赖域算法,无论试探步是否被接受,我们在每步都采用Wolfe线搜索得到下一个迭代点,避免了重解子问题,并且保证了序列{Bk}满足拟牛顿方程及其正定性.在适当条件下,证明了算法的全局收敛性,数值试验表明该算法是有效的.     

带线搜索的修正拟牛顿非单调信赖域算法

提出了一类新的求解无约束最优化问题的非单调信赖域算法.不同于传统的非单调信赖域算法,此算法在每步都采用非单调W olfe线搜索得到下一个迭代点.这样得到的新算法不仅不需重解子问题,而且在每步迭代满足新拟牛顿方程同时保证目标函数的近似Hessen阵Bk的正定性.在较弱的条件下,证明了此算法的全局收敛性.数值结果表明该算法的有效性.     

一个新的拟牛顿信赖域算法

提出了一种新的修正拟牛顿信赖域算法.算法同时利用函数值信息和梯度信息构造信赖域子问题,既可保持信赖域子问题海森矩阵的正定性,又能改善算法的数值执行.在一定假设的条件下,证明了算法的全局收敛性,并通过数值实验表明了提出算法的有效性.     

解无约束优化问题的一个新的非单调信赖域算法

在传统信赖域方法的基础上,提出了求解无约束最优化问题的一个新的带非单调线搜索的信赖域算法.该算法采用非单调Wolfe线搜索技术获得迭代步长,新算法在每一迭代步只需求解一次信赖域子问题,克服了每次迭代求解信赖域子问题时计算量较大的缺点.在一定条件下,证明了算法的全局收敛性.数值实验结果表明该算法是有效的.     

一个新的非单调自动确定信赖域半径的信赖域算法

将非单调线搜索技术与自动确定信赖域半径的方法相结合,提出了求解无约束优化问题的一个新的非单调自动确定信赖域半径的信赖域算法.在假设对任意x1∈Rn,水平集L(x1)={x|f(x)≤f(x1)}有界,且目标函数f(x)在水平集L(x1)上连续可微;矩阵序列{Bk}一致有界的条件下证明了本算法的全局收敛性.数值结果显示本算法是有效的.     

一种基于锥模型的非单调拟牛顿信赖域方法

将非单调技术与锥模型拟牛顿信赖域方法相结合,提出了一种基于锥模型的非单调拟牛顿信赖域方法。讨论了锥模型信赖域子问题中参数γk在不同情况下的选取,证明了利用所构造的参数γk,在一定条件下,尤其是当目标函数值非单调时,校正公式中Bk+1仍保持正定性。数值实验表明算法是有效的。     

预条件修正梯度路径自适应信赖域算法

本文提出了一种新的预条件修正梯度路径自适应信赖域方法.首先解信赖域子问题使用预条件修正梯度路径算法,而信赖域子问题的半径的选取也是借助于形成梯度路径时的Bunch-Parlett 分解.可以证明算法在通常使用的条件下有好的收敛性.     

投影Hessian的内点回代算法解线性约束优化问题

提供非单调内点回代技术的信赖域投影Hessian算法解线性约束优化问题.基于矩阵QR分解的技巧,将仿射零空间的信赖域子问题变换成通常的信赖域子问题,然后结合线搜索技术,在每次迭代信赖域子问题都将产生新的回代内点.在合理的条件下,证明了算法不仅具有整体收敛性而且保持局部超线性收敛速率,引入非单调技术将克服病态问题,加速收敛性进程.     

约束优化的两块校正非单调回代法

提出一种二块校正既约Hessian方法的非单调信赖域回代算法来解决约束优化问题。一般采用二块校正的双边既约Hesse阵方法代替完全Hesse阵方法处理大规模问题。为了获得算法的整体收敛性，引入非光滑的l1罚函数作为势函数。在每次回代中不必使罚函数都单调递减，以使能克服高度非线性情况下的峡谷状态，同时采用二阶校正步计算能避免Maratos效应。只要每一步迭代至少运用两种校正规则之一，算法就能保持一步局部Q－超线性收敛速率。     

一类新的自适应信赖域算法

提出了一类新的自适应信赖域算法.该算法利用相邻迭代点的实际下降量与预测下降量的比值加权和来衡量二次模型的近似程度,同时信赖域半径迭代准则采用由Λ-函数给出的一类自适应迭代准则.在一定假设的条件下,算法具有传统信赖域算法的全局收敛性.数值实验表明,算法是稳健和有效的.     

等式约束优化问题的带记忆模型信赖域算法

针对等式约束优化问题提出了一个带记忆的等式约束信赖域算法。该算法不同于传统的信赖域方法,此信赖域模型是记忆模型,从全局考虑目标函数的下降性而不完全依赖于当前点信息,采用非单调技术得到了算法的全局收敛性和超线性收敛性。     

非线性方程的一个信赖域迭代算法

对于信赖域子问题产生的搜索方向 ,利用一个给定的步长到达下一迭代点 ,证明了算法的全局收敛性 ,从而既避免了信赖域方法中在一次迭代多次求解信赖域子问题的困难 ,又避免了线搜索方法中为达到下一迭代点而多次调用函数值的计算 .     

带有固定步长的非单调信赖域方法

该文提出一种新的非单调信赖域方法．当试探步不能被接受时，算法沿着试探步的方向求得下一个迭代点，其中步长利用固定公式计算．这种方法既避免了重复求解信赖域子问题，又减少了线搜索方法计算函数值的次数．该文采用的非单调策略是基于张洪超和Hanger（2004）出的非单调线搜索技术．在适当的条件下，证明了算法的全局收敛性及超线性收敛性．最后给出了初步的数值实验结果．     

求解线性约束规划问题的信赖域仿射尺度法

考虑到求解线性规划问题的仿射尺度法实际有效,但有时不具有全局收敛性,而求解无约束优化问题的信赖域法具有很好的全局收敛性,结合求解线性规划问题的仿射尺度法和求解无约束优化问题的信赖域法,给出了求解线性约束规划问题的一种信赖域仿射尺度法,并证明了该算法的收敛性,数值试验表明,所给方法是实际有效的。     

无约束非光滑优化的信赖域算法

提出了一个处理无约束非光滑优化问题的信赖域算法.它仅要求目标函数是下半连续的,而不是光滑的,或凸的,或局部Lipschitzian的,从而扩大了信赖域方法的使用范围.同时文中还证明了该算法产生的序列的每一个聚点都是原问题的临界点.