无记忆拟牛顿方法的收敛性

本讨论了无约束最优化问题的无记忆拟牛顿方法的收敛性,给出了对于非凸目标函数,在非精确线搜索条件下,无记忆拟牛顿方法收敛性的几个充分性条件。     

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。     

一般无约束优化问题的广义拟牛顿法

对一般目标函数极小化问题的拟牛顿法及其全局收敛性的研究,已经成为拟牛顿法理论中最基本的开问题之一．本文对这个问题做了进一步的研究,对无约束优化问题提出一类新的广义拟牛顿算法,并结合Goldstein线搜索证明了算法对一般非凸目标函数极小化问题的全局收敛性．     

一类广义拟牛顿算法的收敛性

本文提出一类广义拟牛顿算法,新类算法降低了关于目标函数的假设条件,将线搜索扩展 到一般形式,它概括了若干种常用的非精确线搜索技术.此外,算法对迭代校正公式中的参数Φk的 选取范围做了较大扩展(可以取负值).     

基于凝聚函数的拟牛顿算法求解绝对值方程

绝对值方程Ax-|x|=b是一个不可微的NP-hard问题.在假设矩阵A的奇异值大于1(这里矩阵A的奇异值定义为矩阵ATA特征值的非负平方根)时,给出了求解绝对值方程一个新的光滑化算法.通过引入一种凝聚函数对绝对值方程进行光滑化处理,得到一个非线性方程组;再引入适当的目标函数,进而把绝对值方程化为无约束优化问题,然后利用拟牛顿算法对其进行求解.数值实验结果表明了该方法的正确性和有效性.     

非凸无约束优化问题的广义拟牛顿法的全局收敛性

本文对无约束优化问题提出一类新的广义拟牛顿法,并采用一类非精确线搜索证明了算法对一般非凸目标函数极小化问题的全局收敛性.     

一个无约束优化的非单调拟牛顿型ODE方法

给出一个求解无约束优化的非单调拟牛顿型ODE方法.它的主要特点是:在每次迭代时,搜索方向仅需计算矩阵和向量的乘积就能获得,从而避免求解线性方程组系统,减少算法的计算量.然后采用一个改进的非单调线搜索以获得下一个新迭代点.在适当的条件下,该方法还是整体收敛和局部超线性收敛的.初步的数值试验结果表明了其有效性.     

广义拟牛顿算法对一般目标函数的收敛性

本文证明了求解无约束最优化的广义拟牛顿算法在Goldstein非精确线搜索下对一般目标函数的全局收敛性，并在一定条件下证明了算法的局部超线性收敛性。     

改进的PSB拟牛顿修正矩阵的收敛性

本文在已建立的一类新拟牛顿方程Ｂｋ＋１δｋ＝ｙｋ＝ｙｋ＋θｋ／δｋ＾Ｔｕ的基础上,证明了满足新拟牛顿方程的改进ＰＳＢ算法产生的拟牛顿修正矩阵序列在序列｛ｘｋ｝收敛于ｘ＾＊,｛δｋ｝一致性无关及二阶导数阵连续有界的条件下收敛于海色阵Ｇ（ｘ＾＊）。     

一类超线性收敛的广义拟Newton算法

１引言考虑无约束最优化问题其中目标函数ｆ（ｘ）二阶连续可微,记ｆｋ＝ｆ（ｘ）,当充分小时,有如下近似关系：它们对二次函数皆严格成立．考虑选代其中Ｂ（Ｇ的近似）已知,为某种线搜索确定的步长．对Ｂ修正产生Ｂ,即Ｕ为待定ｎ阶矩阵．若要求Ｂ＋满足关系即Ｂ满足拟Ｎｅｗｔｏｎ方程,由它可导出许多著名的拟Ｎｅｗｔｏｎ算法［１－［４］）．若要求Ｂ满足关系则可导出伪Ｎｅｗｔｏｎ－δ族校正公式,它不再是Ｈｕａｎｇ族成员［６］．从信息资源的利用看,（１．６）仅利用了与信息,（１．７）仅利用了与信息．一般而言,较多的信…     

无约束优化问题的一个下降方法

本文研究了无约束优化问题.利用当前和前面迭代点的信息以及曲线搜索技巧产生新的迭代点,得到了一个新的求解无约束优化问题的下降方法.在较弱条件下证明了算法具有全局收敛性.当目标函数为一致凸函数时,证明了算法具有线性收敛速率.初步的数值试验表明算法是有效的.     

A NEW NONMONOTONE TRUST REGION ALGORITHM FOR SOLVING UNCONSTRAINED OPTIMIZATION PROBLEMS

Based on the nonmonotone line search technique proposed by Gu and Mo （Appl. Math. Comput. 55, （2008） pp. 2158-2172）, a new nonmonotone trust region algorithm is proposed for solving unconstrained optimization problems in this paper. The new algorithm is developed by resetting the ratio ρk for evaluating the trial step dk whenever acceptable. The global and superlinear convergence of the algorithm are proved under suitable conditions. Numerical results show that the new algorithm is effective for solving unconstrained optimization problems.     

有奇异解的无约束最优化问题的一种混合法

本文研究求解含有奇异解的无约束最优化问题算法 .该类问题的一个重要特性是目标函数的Hessian阵可能处处奇异 .我们提出求解该类问题的一种梯度 -正则化牛顿型混合算法 .并在一定的条件下得到了算法的全局收敛性 .而且 ,经一定迭代步后 ,算法还原为正则化 Newton法 .因而 ,算法具有局部二次收敛性 .     

解无约束优化问题的一个新的带线搜索的信赖域算法

在传统信赖域方法的基础上, 提出了求解无约束最优化问题的一个新的带线搜索的信赖域算法. 该算法采用大步长 Armijo 线搜索技术获得迭代步长, 克服了每次迭代求解信赖域子问题时计算量较大的缺点, 因而适用于求解大型的优化问题. 在适当的条件下, 我们证明了算法的全局收敛性. 数值实验结果表明本文所提出的算法是有效的.     

一类新型DL共轭梯度法研究

提出了求解无约束优化问题的新型DL共轭梯度方法. 同已有方法不同之处在于,该方法构造了一种修正的Armijo线搜索规则,它不仅能给出当前迭代步步长, 而且还能同时确定计算下一步搜索方向时需要用到的共轭参数值. 在较弱的条件下, 建立了算法的全局收敛性理论. 数值试验表明,新型共轭梯度算法比同类方法具有更好的计算效率.     

一个求解约束非线性优化问题的微分方程方法

本文构造的求解非线性优化问题的微分方程方法包括两个微分方程系统,第一个系统基于问题函数的一阶信息,第二个系统基于二阶信息．这两个系统具有性质:非线性优化问题的局部最优解是它们的渐近稳定的平衡点,并且初始点是可行点时,解轨迹都落于可行域中．我们证明了两个微分方程系统的离散迭代格式的收敛性定理和基于第二个系统的离散迭代格式的局部二次收敛性质．还给出了基于两个系统的离散迭代方法的数值算例,数值结果表明基于二阶信息的微分方程方法速度更快．     

一个解无约束优化问题的过滤信赖域方法

1 引言 本文中,我们考虑一般的无约束极小化问题: minx∈Rn f(x), (1.1) 其中f:Rn→R二次连续可微. 信赖域方法是解问题(1.1)的一类非常成功的算法.在标准信赖域算法框架([2][11][1])中,迭代点列是单调下降的,对于一些坏条件问题,会出现收敛非常缓慢的情形.针对这种问题,人们提出了非单调技术([2][3][13][14][15]),来加快算法在实际计算中的收敛速度,取得了很好的数值效果.     

求解群体多目标最优化问题的联合有效数法

群体多目标最优化是群体决策和多目标最优化相交叉的一个边缘研究领域,其主要特点是对由多个决策者提供的具多个目标的最优化问题,进行定量和定性相结合的方案选优或决策排序.因此,它的理论和方法在现代社会的重大决策中有着广阔的应用前景.     

求解约束优化问题的一个对偶算法

１．引言 考虑下述形式的不等式约束优化问题：其中 ＝０,１,…,ｍ,是连续可微函数．求解（１．１）的数值方法有很多,传统方法有乘子法,序列一次规划方法,等等（见 Ｂｅｒｔｓｅｋａｓ（１９８２）, Ｈａｎ（１９７６, １９７７））．近年来对求解（１．１）的原始－对偶算法的研究已成为非线性规划领域的新的热点,如ＥＩ－Ｂａｋｒｙ,Ｔａｐｉａ,Ｔｓｕｃｈｉｙａ　＆　Ｚｈａｎｇ（１９９６）,Ｙａｍａｓｈｉｔａ（１９９２,１９９６,１９９７）等;尽管这些原始－对偶算法具有好的收敛性质和计算效果,但其算法结构相对…