预处理共轭梯度法求解线性方程组Ax=b

针对共轭梯度法求解线性方程组Ax=b,提出一种预处理思想。基于次思想,首先给出预处理矩阵,然后求解预处理线性方程组,再使用共轭梯度法求解。最后通过几个数值试验,与直接使用共轭梯度法求解线性方程组相比较,本文的方法提高了收敛速度。     

线搜索下带误差项的Dai-Yuan共轭梯度算法

本文在共轭梯度不能精确计算的情况下,采用Wolfe或Armijo步长规则研究了带误差项的Dai-Yuan(abbr．DY)共轭梯度法,我们的方法的一个很重要的特征就是步长不一定趋于零。这种特征使得我们的分析对许多实际问题很有用。我们在很一般的假设条件下证明了算法的全局收敛性。最后给出了数值算例。     

在Armijo型线搜索下共轭下降法的收敛性

我们提出了两种Armijo型线搜索,进而证明了这两种Armijo型线搜索可保证共轭下降法的下降搜索方向的充分下降性。并在这两种Armijo型线搜索下得到共轭下降法的收敛性结果。     

实方阵的Moore-Penrose广义逆的MCG算法探究

证明了矩阵Moore-Penrose逆的唯一性以及建立了求矩阵Moore-Penrose逆的算法。首先将求矩阵的Moore-Penrose逆转为求解含有三个矩阵变量的矩阵方程组,其次建立求该矩阵方程组的修正共轭梯度算法(MCG算法),给出了MCG算法的性质和收敛性证明,对于任意给定的初始矩阵该算法能在有限步迭代计算后得到矩阵的Moore-Penrose逆。最后给出数值算例,证明MCG算法在求解矩阵Moore-Penrose逆中具有很高的计算效率。     

2步非线性共轭梯度（NCG）法

提出一种求解非线性方程组的2步非线性共轭梯度法(2步NCG法)，并在一定条件下证明方法收敛于一个总体唯一解．这个方法收敛较快且适合于并行计算，数值试验表明它比普通NCG法迭代次数减少较多，从而节省CPU时间。     

求解非线性方程组的记忆梯度算法

本文给出了一种求解非线性方程组的新算法-记忆梯度算法,该算法采用迭代形式,每步迭代不仅利用了当前点的迭代信息,而且利用了前一迭代点的信息,使算法更具稳定性,本文还证明了该算法的全局收敛性.     

基于信赖域技术的非单调非线性共轭梯度算法

共轭梯度算法由于其迭代简单和较小的存储在求解大规模无约束优化问题中起着特殊的作用.本文基于信赖域技术和修正拟牛顿方程,结合Zhang非单调策略,设计了一种新的求解无约束最优化问题的基于信赖域技术的非单调非线性共轭梯度算法.该算法每次迭代自动产生信赖域半径,并通过求解一个简单的子问题得到下一个迭代点,信赖域技术的应用保证...     

求解大规模优化的混合共轭梯度法

为了有效求解大规模无约束优化问题,在PRP方法和FR方法的基础上,给出了满足共轭条件的新的混合共轭梯度法.在强Wolfe线性搜索下,证明了此算法的全局收敛性.在特定条件下,新公式与HS公式一致,因此可看作是对HS方法的修正.对7个经典无约束优化问题的数值实验结果表明,所提出的新方法数值稳定.相比已有方法,随着问题规模的增大,所提方法在迭代次数,优化精度及梯度调用次数方面表现出明显优势.     

Armijo型线搜索下一种共轭梯度法的收敛性

对无约束非线性规划问题,本文分别在两种不同的Armijo型线搜索下证明了Liu-Storey共轭梯度法的所有搜索方向都是充分下降的,并进一步证明了该算法是全局强收敛的。对另一种放松了函数值下降条件可以获得更大步长的Armijo型线搜索,本文还证明了该算法是全局强收敛的。     

组合杂交四边形元的多重网格预处理共轭梯度方法

组合杂交元方法是一种求解弹性力学问题的稳定化有限元方法．为了快速求解组合杂交元离散得到的大型、稀疏、对称正定系统,本文研究了多重网格预处理共轭梯度方法．首先,通过选用合适的网格转移算子和光滑策略,得到了有效的多重网格预处理器．其次,通过分析数值试验结果证明所得到的多重网格预处理共轭梯度方法是有效可行的,利用该预处理方法大大降低了系数矩阵的条件数,提高了计算效率．此外,对于一类高性能的组合杂交元,多重网格预处理共轭梯度方法在网格畸变时依然收敛.     

一类修正Zhang H. C.非单调共轭梯度算法

为有效求解大规模无约束优化问题,本文基于RMFI共轭梯度法,结合Zhang H.C.非单调线搜索步长规则,提出了一类新的共轭梯度算法．在适当的条件下,证明了新算法的全局收敛性．数值算例表明,新算法比Zhang H.C.非单调规则下的标准RMFI方法收敛速度更快,更有效．同时,本文进一步研究了Zhang H.C.非单调线搜索步长规则的一个基于强迫函数的拓展模型,并从理论上证明了基于此拓展模型的新算法的全局收敛性．     

共轭梯度法的全局收敛性

探讨了在强Wolfe搜索规则下,与βk^PR相关的算法的收敛性,在不需要假设目标函数为凸的情况下,证明了充分下降及算法的全局收敛性。     

超记忆梯度算法的线性收敛速度

证明了时贞军提出的超记忆梯度算法在一定条件下具有线性收敛速度。     

Stochastic Finite Element Method for Mechanical Vibration Based on Conjugate Gradient(CG)

When material properties, geometry parameters and applied loads are assumed to be stochastic, the vibration equation of a system is transformed to static problem by using Newmark method. In order to improve the computational efficiency and to save storage, the Conjugate Gradient (CG) method is presented. The CG is an effective method for solving a large system of linear equations and belongs to the method of iteration with rapid convergence and high precision. An example is given and calculated results are compared to validate the proposed methods.     

一类Armijo搜索下的混合HS-PRP共轭梯度法?

为有效求解大规模无约束优化问题,本文基于HS方法和PRP方法,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。在精确搜索下,本文算法将还原为标准的PRP方法。在适当的条件下,获证了该法在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,数值实验表明本文算法可以有效求解优化测试问题。     

一类新的基于信赖域技术的非单调共轭梯度算法

为有效求解大规模无约束优化问题,本文基于信赖域技术和修正拟牛顿方程,同时结合Zhang H. C.策略和Gu N. Z.策略,设计了一种新的非单调共轭梯度算法,应用信赖域技术保证了算法的稳健性和收敛性,并给出了算法的全局收敛性分析．在适当条件下,证明了该算法具有线性收敛性．数值实验表明新算法能够有效求解病态和大规模问题．与单独结合其中一种非单调策略的算法相比,新算法需要较少的迭代次数和运行时间,利用其得到的函数值与最优值更接近．