无约束优化的自适应信赖域方法

本文对无约束优化问题提出一个自适应信赖域方法,每次迭代都充分利用前迭代点的信息自动产生一个恰当的信赖域半径,在此区域内,二次模型与原目标函数尽可能一致,避免盲目的尝试,提高了计算效率。文中在通常条件下证明了全局收敛性及局部超线性收敛结果,给出了新算法与传统信赖域方法的数值结果,证实了新方法的有效性。     

一种基于新锥模型的自适应信赖域算法

本文提出一种自动确定信赖域半径的新锥模型信赖域算法.该算法在每步迭代中利用以前迭代点的二次信息和水平向量信息自动产生一个信赖域半径.且证明了全局收敛性及超线性收敛性,数值结果验证了新算法的有效性.     

一个锥模型的自适应信赖域算法及其收敛性

本文研究了无约束最优化问题的基于锥模型的自适应信赖域算法.利用理论分析得到一个新的自适应信赖域半径.算法在每步迭代中以变化的速率、当前迭代点的信息以及水平向量信息调节信赖域半径的大小.从理论上证明了新算法的全局收敛性和Q-二阶收敛性.用数值试验验证了新算法的有效性.推广了已有的自适应信赖域算法的可行性和有效性.     

遗传信赖域方法

本文将具有并行计算性能的遗传算法与具有全局收敛的信赖域方法相结合以形成混合搜索方法,为解决复杂多峰极值优化问题提供一种有效算法,证明了算法的收敛性。     

信赖域方法的收敛性

信赖域方法的收敛性袁亚湘（中国科学院计算中心）ＯＮＴＨＥＣＯＮＶＥＲＧＥＮＣＥＯＦＴＲＵＳＴＲＥＧＩＯＮＡＬＧＯＲＩＴＨＭＳ￥ＹｕａｎＹａ－ｘｉａｎｇ（ＣｏｍｐｕｔｉｎｇＣｅｎｔｅｒＡｃａｄｅｍｉａＳｉｎｉｃａ）Ａｂｓｔｒａｃｔ：Ｔｒｕｓｔｒｅｇｉｏ...     

锥模型的拟NEWTON型信赖域方法

其中f_c=f(x_c),g_c=f(x_c),b_c和B_c分别为n维向量和n×n阶矩阵。锥模型是Davidon首先提出的,Sorensen和Ariyawansa等人对使用锥模型的拟Newton法做了不少有意义的工作,但他们的研究仅限于线性搜索策略。本文目的在于研究信赖域策略,即研究求解问题(1.1)的锥模型的拟Newton型信赖域方法。概括地说,它用拟Newton公式修正模型     

解线性约束优化问题的新锥模型信赖域法

本文提出了一个解线性等式约束优化问题的新锥模型信赖域方法.论文采用零空间技术消除了新锥模型子问题中的线性等式约束,用折线法求解转换后的子问题,并给出了解线性等式约束优化问题的信赖域方法.论文提出并证明了该方法的全局收敛性,并给出了该方法解线性等式约束优化问题的数值实验.理论和数值实验结果表明新锥模型信赖域方法是有效的,这给出了用新锥模型进一步研究非线性优化的基础.     

基于非单调自适应信赖域法求解非线性方程组

本文提出了求解非线性方程组的非单调自适应信赖域法.在适当的条件下证明了非单调自适应信赖域法的局部及全局收敛性质.基本的数值实验表明该方法在处理某些非线性方程组是非常有效的.     

一类带线搜索的自适应信赖域算法

本文对无约束优化问题提出了一类带线搜索的自适应信赖域算法,新算法在试验步失败时不重解子问题,而是采用线搜索,从而减少了计算量,不同于一般的带线搜索的信赖域算法,新算法根据实际下降量与预估下降量的比值按照变化的速率对信赖域半径进行调整.文中在一定的条件下证明了算法的收敛性,并且给出了相应的数值实验结果.     

基于共轭梯度的锥模型信赖域算法

1引 言本文考虑求解无约束优化问题minf(x),x∈Rn, (1.1)其中f(x)在Rn上连续二阶可导.大部分求解无约束优化问题的算法都是基于迭代的思想形成一个近似函数,然后极小化该函数.近似函数通常都采用二次函数,本文研究采用锥函数作为近似函数的锥模型算法.锥模型方法是Davidon于1980年在文献[2]中首次提出来的,随后Sorensen[16],Ariyawansa[1]等对锥模型进行了线搜索策略的研究.Di和Sun[5][18],诸梅芳[20],Xu[19]等对锥模型信赖域方法进行了研究.     

非线性等式和线性不等式约束优化的信赖域方法 *

对非线性等式和线性不等式约束的优化问题提出一个新的信赖域算法,在通常假设条件下,证明了算法的全局收敛性.此外,由于通过引进松弛变量,可把非线性不等式约束转化为一个方程的形式,因此,该算法可用于求解一般非线性规划问题.     

Dogleg路径信赖域方法

本文提出一类新的解无约束最优化问题的信整域方法。这类方法是通过对一般对称矩阵的Bunch-Parlett分解来产生搜索路径。它们既可以解目标函数是二次可微的也可以解目标函数是非二次可微的最优化问题，并且在由算法得到点列的任意聚点上，二次连续可微的目标函数的Hesse阵都是正定或半正定的。我们证明在一些较弱的条件下，算法是整体收敛的；对一致凸函数，是二次收敛的。一些数值结果表明这种新的方法是非常有效的。     

解线性约束优化问题的新锥模型信赖域3法

本文提出了一个解线性等式约束优化问题的新锥模型信赖域方法．论文采用零空间技术消除了新锥模型子问题中的线性等式约束，用折线法求解转换后的子问题，并给出了解线性等式约束优化问题的信赖域方法．论文提出并证明了该方法的全局收敛性，并给出了该方法解线性等式约束优化问题的数值实验．理论和数值实验结果表明新锥模型信赖域方法是有效的，这给出了用新锥模型进一步研究非线性优化的基础．     

解非线性优化问题的锥模型信赖域方法

Trust region methods are powerful and effective optimization methods. The conic model method is a new type of method with more information available at each iteration than standard quadratic-based methods. The advantages of the above two methods can be combined to form a more powerful method for constrained optimization. The trust region subproblem of our method is to minimize a conic function subject to the linearized constraints and trust region bound. At the same time, the new algorithm still possesses robust global properties. The global convergence of the new algorithm under standard conditions is established.     

一个新的带线性搜索的信赖域算法

本文对于无约束最优化问题提出了一个新的信赖域方法。在该算法中采用的是线性模型，并且当试探步不成功的时候，采用线性搜索，从而减少了计算量。文中证明了在适当的条件下算法的全局收敛性。     

线性约束优化的信赖域仿射尺度算法

对线性约束优化问题提出一种信赖域仿射尺度算法，在没有非退化假设的条件下，证明了该算法产生的无限序列{x-k}的任一极限点都满足一阶必要条件，且至少存在一个极限点满足二阶必要条件.     

基于简单二次函数模型的非单调信赖域算法

基于简单二次函数模型,结合非单调技术,建立了一个新的求解无约束最优化问题的非单调信赖域算法,并证明了算法的全局收敛性及超线性收敛性.数值例子表明算法是有效性的,适合求解大规模问题.     

基于锥模型的一般信赖域算法收敛性分析

本文给出了锥模型信赖域算法的一般模型，它不仅包含通常的信赖域算法一相当于锥模型算法中bk＝0的情形，而且文献[1]的算法也可看作其子类．我们研究这个模型的较强的全局收敛性，并讨论保证算法具有超线性收敛速率的条件，从而推广了文[1]和文[4]中的若干结果．     

解无约束最优化的基于锥模型的过滤集- 信赖域方法

锥模型优化方法是一类非二次模型优化方法, 它在每次迭代中比标准的二次模型方法含有更丰富的插值信息. Di 和Sun (1996) 提出了解无约束优化问题的锥模型信赖域方法. 本文根据Fletcher 和Leyffer (2002) 的过滤集技术的思想, 在Di 和Sun (1996) 工作的基础上, 提出了解无约束优化问题的基于锥模型的过滤集信赖域算法. 在适当的条件下, 我们证明了新算法的收敛性. 有限的数值试验结果表明新算法是有效的.