一个新的非单调信赖域算法

提出一个带线性搜索的非单调自适应信赖域算法.该算法将非单调wolfe线搜索和自适应信赖域方法相结合,同时采用新的BFGS校正公式,保持了信赖域子问题海森矩阵的正定性.在适当条件下,分析了该算法的全局收敛性,并通过数值实验说明了该算法的可行性.     

一个新的非单调自适应信赖域方法

自适应信赖域方法是求解无约束非线性优化问题的一种有效方法．将非单调线搜索技术与自适应信赖域方法相结合,提出了求解无约束优化问题的一个新的非单调自适应信赖域方法．在适当条件下,证明了该算法的全局收敛性和局部超线性收敛结果．并对其进行了数值实验,结果表明该算法是可行的．     

一类新拟牛顿方程的非单调信赖域算法

利用新拟牛顿方程及其修改BFGS校正公式,将非单调Wolfe线搜索技术与信赖域相结合,提出了一类拟牛顿非单调信赖域算法。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是有效的。     

基于锥模型的无约束优化问题的信赖域算法

对无约束优化问题,提出了一种基于锥模型的非单调信赖域算法.该算法与通常的信赖域算法的不同在于:当试探步不成功时,不再重新求解子问题,而是采用非单调线搜索技术.对子问题进行了分析,并证明了算法的超线性收敛性.     

一个带有线搜索的自适应混合折线信赖域算法

将文献[2]求解信赖域予问题的混合折线法与文献[1]的自动确定信赖域半径的方法相结合,并且在试探步不可接受时,采用线搜索来计算下一个迭代点,提出了求解无约束优化问题的一个带有线搜索的自动调节信赖域半径的混合折线信赖域算法。在通常条件下,证明了算法的全局收敛性。数值结果验证了新方法的有效性。     

一个带线搜索的自适应信赖域算法

对无约束优化问题提出了一个带线搜索的非单调自适应信赖域算法,每次迭代都充分利用当前迭代点包含的二次信息自动产生一个信赖域半径.在试探步不被接受时,算法并不重解信赖域子问题,而采用非单调线搜索,从而减少了计算量.在适当的条件下,证明了算法的全局收敛性.     

一类新的带线搜索的非单调自适应信赖域算法

对无约束最优化问题提出了一类新的带线搜索的非单调自适应信赖域算法．新算法采用自适应技术,当试验步不成功时,不重解信赖域子问题,而采用Wolfe线搜索,故相对于原有的算法减少了计算量．并在适当的条件下,证明了算法的全局收敛性．     

一个新的线搜索信赖域方法

利用一个修正的BFGS公式,提出了结合线搜索技术的BFGS-信赖域方法,并在一定条件下证明了该方法的全局收敛性和超线性收敛性.     

基于粒子群的信赖域算法及其收敛性

把搜索性能良好的粒子群算法和总体收敛性良好的信赖域算法有效融合,提出了具有局部随机搜索和全局确定性搜索性能的新算法。该方法具有良好的全局收敛性,为解决多峰函数优化问题提供了一种有效的算法。     

非线性约束优化问题的组合信赖域与线搜索算法

对非线性等式约束优化问题提出了一个组合信赖域与线搜索求解算法.与传统的信赖域方法比较,该算法的特点是当试探步不被信赖域方法接受时,无需重新求解信赖域子问题.通过计算实例,比较了纯信赖域算法与组合算法的计算工作量.     

一类新的带线搜索的自适应非单调信赖域算法

对于无约束优化问题提出了一类基于新锥模型的带线搜索的信赖域算法。利用自适应技术,当试探步不成功时,不需重新求解子问题,而采用Armijo线搜索,以减少计算量。在适当的条件下,证明了算法的全局收敛性。     

解非线性互补问题带线搜索的非单调自适应信赖域法

基于Fischer-Burmeister(FB)函数将非线性互补问题等价地转化为求解无约束优化问题。结合自适应信赖域半径方法和基于函数平均权重的非单调技术,提出一个求解非线性互补问题的非单调自适应信赖域方法。在适当的假设条件下,证明了该算法的全局性和超线性,数值结果表明该算法是可行的。     

一个新的线搜索信赖域方法

利用一个修正的BFGS公式，提出了结合线搜索技术的BFGS一信赖域方法，并在一定条件下证明了该方法的全局收敛性和超线性收敛性．     

前向神经网络学习算法研究

利用优化算法中的信赖域法,选取了合适的计算模型,并具有全局收敛性、收敛快速性。BP网络学习算法对异或问题、逼近问题进行的具有统计意义的仿真,表明了该算法的有效性及对样本数量变化不敏感的特性。