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．     

一类新的信赖域算法的全局收敛性

本文对于无约束最优化问题提出了一类非单调的信赖域算法，它是通常的单调信赖域算法的推广。当目标函数是有下界的连续可微函数，而且它的二阶导数的近似的模是线性地依赖于迭代次数时，我们证明了新算法的整体收敛性。     

一类新的非单调信赖域算法及其收敛性

利用非单调性,邓乃扬等提出了一类具有强收敛性质的非单调信赖型算法,为了保证算法的收敛性,他们假定以下两个条件成立;（１）信赖域半径（△ｋ）有上界;（２）对所有ｋ有∥ｓｋ∥≤ｃ∥ｇｋ∥,其中ｓｋ＝ｘｋ＋１－ｘｋ,ｇｋ为ｆ（ｔ）在ｘｋ处的梯度,ｃ〉０随后,柯小伍,韩继业从另一角度了提出了一类非调信赖域型算法,尽管他们未利用条件,但仍假定条件（２）成立,在本文中,我们提出了一类新的非单调信赖域算法,在没     

一类锥模型非单调信赖域算法及收敛性分析

本文对无约束优化问题提出了一类基于锥模型的非单调信赖域算法.二次模型非单调信赖域算法是新算法的特例.在适当的条件下,证明了算法的全局收敛性及Q-二次收敛性.     

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.     

解新锥模型信赖域子问题的折线法

本文以新锥模型信赖域子问题的最优性条件为理论基础,认真讨论了新子问题的锥函数性质,分析了此函数在梯度方向及与牛顿方向连线上的单调性.在此基础上本文提出了一个求解新锥模型信赖域子问题折线法,并证明了这一子算法保证解无约束优化问题信赖域法全局收敛性要满足的下降条件.本文获得的数值实验表明该算法是有效的.     

无约束最优化锥模型拟牛顿依赖域方法的收敛性

本文研究约束最优化锥模型拟牛顿依赖域方法的全局收敛性。文章给出了确保这类方法全局收敛的条件。     

一个新锥模型信赖域算法

1引言本文考虑的无约束最优化问题为(?)f(x),(1.1)其中f(x)为连续可微函数.解此问题的很多算法一般都采用二次函数模型去逼近f(x) ([10],[15]).对于一些非二次性态强、曲率变化剧烈的函数,用二次函数模型去逼近可能效果不好,因此Davidon于1980年首次提出了解无约束优化问题的锥模型方法.锥模型是二次模型的推广,比二次函数具有更多的自由度,因此期望能够更充分地逼近原函数.对于一些在极小点附近很不对称,或曲率变化剧烈的函数,或在某个区域内变化大的函数,全部或部分用锥模型去逼近的效果可能好于用二次模型去逼近.     

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.     

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     

A NEW DERIVATIVE FREE OPTIMIZATION METHOD BASED ON CONIC INTERPOLATION MODEL

In this paper, a new derivative free trust region method is developed basedon the conic interpolation model for the unconstrained optimization. The conic inter-polation model is built by means of the quadratic model function, the collinear scalingformula, quadratic approximation and interpolation. All the parameters in this model axedetermined by objective function interpolation condition. A new derivative free method isdeveloped based upon this model and the global convergence of this new method is provedwithout any information on gradient.     

一类带线搜索的非单调信赖域算法

本文对于无约束最优化问题提出了一类新的非单调信赖域算法．与通常的非单调信赖域算法不同，当试探步不成功时，并不重解信赖域子问题，而采用非单调线搜索，从而减小了计算量．在适当的条件下，证明了此算法的全局收敛性．     

CONIC TRUST REGION METHOD FOR LINEARLY CONSTRAINED OPTIMIZATION

In this paper we present a trust region method of conic model for linearly constrained optimization problems.We discuss trust region approaches with conic model subproblems.Some equivalent variation properties and optimality conditions are given.A trust region algorithm based on conic model is constructed.Global convergence of the method is established.     

一个无正则条件下一般约束最优化问题的信赖域算法的收敛性

本文我们对[1]的算法给出一个修正并在无正则条件下对这一算法给出了收敛性分析，与[1]不同，我们不需要(SBSQ)约束条件。因此本文的结果是[1]的结果的推广和加强。     

无正则性条件下的一个信赖域方法的全局收敛性

1.引 言考虑下列等式约束最优化问题:min f(x)x∈Rn (1.1)s.t.C(x)=0其中f:Rn→R,C（x）=（c1（x）,C2（x）,…,Cm（x））T,Ci:Rn→R,（i=1,…,m）.我们假设f（x）,Ci（x）（i=1,2,…,m）是连续可微函数.令g（x）=　f（x）,A（x）=　C（x）T.为了方便,我们通常用 Ck,fk,gk,Ak分别表示 C（xk）,f（xk）,g（xk）A（xk）. SQP方法是一迭代方法.在 xk点,通过解下列子问题来得到搜索方向 dk     

非线性不等式约束最优化快速收敛的可行信赖域算法

In this paper,by combining the trust region technique with the generalized gradient projection.a new trust region algorithm with feasible iteration points is presented for nonlinear inequality constrained optimization,and its trust region is a general compact set containing the origion as an inteior point.No penalty function is used in the algorithm,and it is feasible descent .Under suitable assumptions,the algorithm is proved to possess global and strong convergence as well as superlinear and quadratic convergence.Some numerical results are reported.     

A NEW FAMILY OF TRUST REGION ALGORITHMS FOR UNCONSTRAINED OPTIMIZATION

Trust region (TR) algorithms are a class of recently developed algorithms for nonlinear optimization. A new family of TR algorithms for unconstrained optimization, which is the extension of the usual TR method, is presented in this paper. When the objective function is bounded below and continuously, differentiable, and the norm of the Hesse approximations increases at most linearly with the iteration number, we prove the global convergence of the algorithms. Limited numerical results are reported, which indicate that our new TR algorithm is competitive.