一类Armijo搜索下的记忆梯度法及其全局收敛性

通过构造新的βk,提出了一种新的无约束优化问题的记忆梯度算法,同时在Armijo线搜索下分析了该算法的全局收敛性,数值实验表明了新算法的有效性。     

一种新共轭梯度法的全局收敛性

对求解无约束最优化问题的共轭梯度法进行了研究，提出了计算βk的一种新的公式，并对标准Wolfe搜索条件进行了推广，得到一种新的共轭梯度法。在一定条件下证明了该算法的全局收敛性，同时给出了一些数值例子，得到很好的数值结果。     

带记忆的非单调无约束优化算法的全局收敛性

自从非单调线搜索技巧引入非线性优化后,所得的算法得到了成功的应用与扩展。带记忆的梯度方法经常用来求解无约束优化问题,尤其是大规模的问题。将带记忆梯度法与Wolfe非单调线搜索技巧成功融合到一起得到了新算法。证明了该算法全局收敛。     

基于新的步长搜索下的记忆梯度法收敛性分析

根据最速下降算法、拟牛顿法、FR共轭梯度法、PRP共轭梯度法等,求解大规模无约束优化问题的有效算法、精确线搜索与Wolfe线搜索等的搜索条件,着重对计算更为有效的适合求解无约束优化问题的记忆梯度算法进行研究。基于Wolfe非精确线搜索提出一种新的步长搜索方法,对记忆梯度算法进行改进。最后证明改进的算法在较弱的条件下是全局收敛的。     

一种新共轭梯度法的全局收敛性

对求解无约束最优化问题的共轭梯度法进行了研究,提出了计算βk的一种新的公式,并对标准Wolfe搜索条件进行了推广,得到一种新的共轭梯度法.在一定条件下证明了该算法的全局收敛性,同时给出了一些数值例子,得到很好的数值结果.     

Wolfe搜索下广义共轭梯度法及其全局收敛性

指出了文献[10]中两类共轭梯度法的错误证明,提出了Wolfe搜索下一类以DY公式为上界的广义共轭梯度法,该算法在每一步不依赖于任何搜索自行产生充分下降方向,在适当的条件下证明了算法的全局收敛性.     

一类推广的共轭梯度法及其全局收敛性

共轭梯度法是求解非线性优化问题的一种重要方法.通过对共轭梯度法及其全局收敛性的分析,提出一个新的非线性共轭梯度公式,采用该公式和Wolfe非精确线搜索的方法是全局收敛的.文末的数值实验验证了算法是有效的.     

修正HS共轭梯度法的全局收敛性

针对PRP方法对一般的非凸函数在强Wolfe线性搜索条件下不收敛这一不足,给出了一种新的共轭梯度算法.在强Wolfe线性搜索下,所给公式满足充分下降条件,并在适当条件下证明了算法的全局收敛性.     

改进的共轭梯度法及其收敛性

共轭梯度法是求解大规模无约束优化问题的一种有效方法。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，提出一种改进的可以控制步长因子的共轭梯度算法。在建立算法的几个重要引理和全局收敛性定理后分别给出了证明。最后对算法进行了数值实验，实验结果表明算法具有良好的收敛性和有效性。     

修正Armijo线搜索下共轭梯度法的收敛性

为解决传统线搜索下没有全局收敛性,提出修正Armijo线搜索下共轭梯度法。通过估计目标函数导数的Lipschitz常数,能在每一步迭代中找到合适的步长,以保证全局收敛性,提高实际运算中的有效性。     

改进的共轭梯度法及其收敛性

共轭梯度法是求解大规模无约束优化问题的一种有效方法。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,提出一种改进的可以控制步长因子的共轭梯度算 法。在建立算法的几个重要引理和全局收敛性定理后分别给出了证明。最后对算法进行了数值实验,实 验结果表明算法具有良好的收敛性和有效性。     

一种新共轭梯度法的理论研究和数值试验

共轭梯度法被广泛应用于求解无约束条件的最优化问题,尤其是一些大型最优化问题。近年来,很多学者在诸如FR,PRP,HS等经典方法的基础上,进行加工和改进,以提高共轭梯度法数值计算的效果。例如,基于Dai和Liao等人提出的一种新拟牛顿方程,Li,Tang和Wei构造出新的共轭条件,从而提出了一种新的共轭梯度法。这种方法既具有收敛性又得到更好的计算结果。另一方面,Hager和H Zhang也构造了一种新的单参数共轭梯度法。本文在这些方法的基础之上,给出了一种新共轭梯度法的计算公式,并在强凸条件下证明了其全局收敛性。此外,其数值计算的结果也是令人满意的。     

共轭梯度法全局收敛的一个充分条件

通过对不同共轭梯度法收敛性分析的研究,提出了共轭梯度法全局收敛的一个充分条件,分析了该充分条件的合理性,并给出一种带参数的混合共轭梯度法,证明了该方法在强Wolfe线搜索下满足该充分条件.数值实验结果表明:该算法是有效的.     

基于回溯法的非单调线搜索的BFGS方法的全局收敛性

根据一种修正的BFGS方法的计算公式,结合回溯法和一种非单调线搜索的条件,给出了一种求解无约束优化问题的新的算法,证明了在这种非单调线搜索的条件下BFGS具有全局收敛性.     

Wolfe线搜索下一类新的共轭梯度法

共轭梯度法是一类解决无约束优化问题的有效方法,尤其适用于大规模优化问题的求解。提出一族包含DY方法的新的共轭梯度法,并证明了该算法在Wolfe线搜索条件下具有全局收敛性,数值结果表明该算法是有效的。     

Armijo搜索下的谱共轭梯度法

基于Hager-Zhang提出的共轭梯度法,构造了一种新的谱风,证明了该方法不依赖于任何线搜索就具有充分下降性,并且在Armijo搜索下证明了算法的全局收敛性。数值试验表明,该方法明显优于谱DY、谱FR、谱PRP算法。