两个修正的DL共轭梯度法

基于带有割线条件的DL方法,提出了两个满足改进的割线条件的修正共轭梯度方法——MDDL1方法与WMDDL1方法.在步长满足Wolfe线搜索的条件下,证明了MDDL1方法具有充分下降性;进一步地证明了WMDDL1方法不依赖任何线搜索具有充分下降性;最后分析和证明了两个方法在步长满足强Wolfe线搜索的条件下对一般函数均具有全局收敛性.     

一类具有充分下降性修正的DL共轭梯度法

基于DL共轭梯度方法,提出了一类修正的DL方法来解决无约束优化问题.该方法相对于DL共轭梯度方法具有一个更好的性质,即在强Wolfe线搜索条件下搜索方向具有充分下降性;证明了该方法在强Wolfe线搜索条件具有全局收敛性.     

一类具有充分下降性的DL共轭梯度法

针对无约束优化问题,利用两项共轭梯度法(DL方法)去逼近改进的HS三项共轭梯度法,提出了改进的DL共轭梯度法即MDL共轭梯度法.该方法相对于DL方法具有一个更好的性质,即该共轭梯度法的搜索方向不依赖任何线搜索就可满足充分下降条件,理论上证明了该方法在Wolfe线搜索条件下对一般函数具有全局收敛性.     

Wolfe线搜索下的一类新的共轭梯度法

给出了解无约束最优化问题的共轭梯度法的一个新的迭代参数,得到一种新的共轭梯度法,并在Wolfe线搜索下,证明了算法的全局收敛性。     

一类混合的DL-WYL共轭梯度法

共轭梯度法因为其迭代简单和低存储等特点,在工程问题、金融模型等许多实际领域中得到广泛的应用;针对大规模无约束优化问题,提出了一类混合的DL-WYL共轭梯度法——LHSDL方法,它可以看作是一类修正的DL共轭梯度法,即利用一个数值效果和理论结果均良好的Wei-Yao-Liu型共轭梯度法的共轭参数去修正DL共轭梯度法的第一...     

一个带有干扰因子修正PRP共轭梯度法的全局收敛性

非线性共轭梯度法是解决大规模优化问题的一种非常有效的方法,提出了一个修正的PRP方法,该参数带有干扰因子,并证明了这一新的参数具有非负性,且在适当条件下,采用Wolfe线搜索,证明该算法具有全局收敛性.     

Wolfe线搜索下一类带误差的共轭梯度法

共轭梯度法是求解大型最优化问题的一类非常有效的方法,但在计算过程中可能会出现误差.分析了一种采用Wolfe线搜索的带误差的共轭梯度法,在误差界满足一定条件的情况下,证明了该方法的全局收敛性.     

几何规划中修正的DY共轭梯度法

利用几何规划的特点将无约束正定式几何规划问题转化为无约束的非线性凸规划问题.共轭梯度算法是求解无约束非线性规划的一种重要且非常有效的算法之一.在DY共轭梯度算法的基础上为无约束正定式几何规划设计了一种共轭梯度算法.该算法在每一次迭代时,均可保证搜索方向的充分下降性,并在Wolfe线搜索下,证明了算法的全局收敛性.     

修正LS共轭梯度方法及其收敛性

提出了一种有效的修正LS共轭梯度方法.该方法在每一步迭代中均产生一个充分下降方向,且不依赖于任何线搜索.在强Wolfe线搜索下,讨论了新方法对一般目标函数的全局收敛性.最后,与著名的PRP方法、CG-DESCENT方法比较,大量的数值试验表明,修正LS共轭梯度方法对给定的测试问题是有效的.     

一个新的PRP共轭梯度法的全局收敛性

提出了一个不依赖线搜索且具有充分下降性的新的共轭梯度法(ZPRP法),并证明了ZPRP方法在强Wolfe搜索条件下全局收敛.     

一种新的非线性共轭梯度法的全局收敛性

给出了一种新的求解非线性无约束优化问题的共轭梯度法,我们证明了该方法对相应的算法具有全局收敛性,同时我们还证明了该方法在强Wolfe线搜索下具有充分下降性.并且本算法给出了比较好的数值结果.     

一种带扰动项的修正PRP共轭梯度法的全局收敛性

提出了一种搜索方向带扰动项的修正PRP共轭梯度法。在主方向充分下降的情况下,证明采用强wolfe搜索时,算法是全局收敛的。最后给出了初步的数值试验结果。     

一种求解无约束优化问题的新混合共轭梯度法

在现有共轭梯度方法的基础上,提出一种新混合共轭梯度法来求解无约束最优化问题.该方法采用近似方法去逼近Hessen矩阵,克服了传统牛顿法求解Hessen矩阵中存在的计算量大等问题,并在强wolfe线搜索技术下给出该共轭梯度算法的全局收敛性证明.实验结果表明,与PRP(Polak-Ribiere-Polyak)方法和HYBRID(混合)方法相比较,该文提出的新混合共轭梯度算法的迭代时间少于前两者方法,说明该文方法可行、有效.     

一个新的共轭梯度类型方法

给出了一种新的求解非线性无约束优化问题的共轭梯度法,证明了该方法对相应的算法具有全局收敛性,同时还证明了该方法在强Wolfe线搜索下具有充分下降性.并且该算法给出了比较好的数值结果.     

一类修正的共轭梯度法及数值试验

本文提出了一类求解无约束优化问题的修正的HS共轭梯度法.该算法每步都可产生一个充分下降方向,并且在适当条件下,证明该算法在非精确搜索下全局收敛.最后通过数值试验结果表明该算法的有效性.