一类新的Wolfe线性搜索下的记忆梯度法

提出一类新的求解无约束优化问题的记忆梯度法,在较弱条件下证明了算法具有全局收敛性和线性收敛速率。算法在每步迭代中利用当前和前面迭代点的信息产生下降方向,不需计算和存储矩阵,适于求解大规模优化问题。初步的数值试验表明算法比Wolfe搜索下的FR,PRP和HS共轭梯度法及最速下降法有效。     

Wolfe线搜索下一类新的共轭梯度法及其收敛性

本文提出一类新的共轭梯度法,证明了其在Wolfe线搜索下具有全局收敛性,最后对算法进行数值试验,数值结果表明该算法是有效的。     

Wolfe线性搜索下的超记忆梯度法及其收敛性

研究无约束优化问题,给出了一种新的超记忆梯度法,在较弱条件下证明了算法具有全局收敛性和线性收敛速率.数值试验表明新算法是有效的.     

强Wolfe线搜索下一种共轭梯度法的全局收敛性

本文给出了一种新的共轭梯度法公式,在强Wolfe线搜索条件下给出了新公式的充分下降性和由新公式所产生的算法,并证明了新算法的全局收敛性.     

一类记忆梯度法的收敛性

研究一类新的记忆梯度法,算法利用当前点的负梯度和前一点的搜索方向的线性组合为搜索方向,以强wolfe线搜索确定步长,并证明了算法具有全局收敛性,当目标函数一致凸时讨论了收敛速度．     

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。     

一类新的记忆梯度法

提出了一类新的求解无约束优化问题的记忆梯度法,在较弱条件下证明了该方法的全局收敛性和线性收敛速率.该算法无需任何线搜索而具有充分下降性,且搜索方向自适应在一个信赖域范围之内;该方法继承了著名PRP方法的一个主要性质:当步长很小时,搜索方向靠近于最速下降方向,避免了连续小步长的产生.初步的数值实验结果表明该方法是有效的.     

一类新的曲线搜索下的记忆梯度法

提出一类新的求解无约束优化问题的记忆梯度法,在较弱条件下证明了其全局收敛性.新算法有如下特点:(1)采用曲线搜索方法,在每步迭代时同时确定下降方向和步长;(2)利用当前和前面迭代点的信息产生下降方向,无需计算和存储矩阵,适于求解大型优化问题.     

基于Wolfe线搜索的修正共轭梯度算法

为解决大型无约束优化问题,设计新的修正参数公式,建立基于Wolfe线搜索的共轭梯度算法和谱共轭梯度算法,证明了新算法的下降性和全局收敛性.初步的数值实验表明算法是有效的.     

一类新的记忆梯度法及其收敛性

提出一类新的求解无约束优化问题的记忆梯度法。算法在每步迭代中利用当前和前面迭代点的信息产生下降方向,采用精确线性搜索或Wolfe非精确线性搜索产生步长,在较弱条件下证明了算法具有全局收敛性和线性收敛速率。数值试验表明算法是有效的。     

非单调线搜索下的记忆梯度法及其全局收敛性

提出一种新的非单调线搜索准则,结合文献中给出的dk,研究一类新的记忆梯度法,在较弱条件下证明了其全局收敛性.算法采用新的非单调线搜索准则,使目标函数值在每一次迭代时充分下降,有效降低了算法的计算量,同时还减弱了文献中算法的使用条件,从而扩大了算法求解问题的范围.     

一种带强Wolfe线搜索的CD和LS混合共轭梯度算法

在CD方法和LS方法的基础上,结合二者的优势,提出了一种求解无约束优化问题的混合共轭梯度算法,并在强Wolfe线搜索下证明了算法的全局收敛性;数值实验结果表明算法是有效的.     

广义Wolfe线搜索下一类新共轭梯度法的全局收敛性

对求解无约束最优化问题的共轭梯度法中的方向参数βk给定一个假设条件,确定其取值范围以保证搜索方向是目标函数的充分下降方向,并在较弱的条件下讨论了算法在广义Wolfe线搜索下的全局收敛性。     

一种Wolfe线搜索下HS和DY混合共轭梯度算法

针对无约束最优化问题,在HS方法和DY方法的基础上,结合二者的优势,提出了一种求解无约束优化问题的混合共轭梯度算法,并在Wolfe线搜索下证明了该算法的全局收敛性.     

一种新线搜索下DY共轭梯度法的全局收敛性

给出一种求解无约束优化问题的新线搜索,证明由新线搜索和DY公式产生的算法具有全局收敛性,再对此算法进行数值试验,并将其数值结果与Wolfe线搜索下PRP方法、DY方法以及另外几种线搜索下DY共轭梯度法的数值结果进行比较来验证新算法是有效的.     

广义Wolfe线搜索下共轭梯度法的全局收敛性

给出一类求解非线性无约束优化问题修正的共轭梯度类型公式和算法,并证明该公式在广义Wolfe线搜索下具有充分下降性和全局收敛性。     

一类非精确线搜索下的混合共轭梯度算法

给出了一类在非精确线搜索下的混合共轭梯度算法,对李荣生提出的NCG算法进行了改进,在算法的迭代过程中,保持了迭代方向的下降性,在较弱的条件下证明了全局收敛性,数值试验表明该算法是相当有效的.     

结合广义Armijo步长搜索的一类记忆梯度算法

给定记忆梯度算法搜索方向中的参数一个假设条件,从而确定它的一个取值范围,使其在此范围内取值均能得到目标函数的充分下降方向,由此提出一类新的记忆梯度算法.在去掉迭代点列有界和广义Arm ijo步长搜索下,讨论了算法的全局收敛性,且给出了结合形如共轭梯度法FR,PR,HS的记忆梯度法的修正形式.数值实验表明,新算法比Arm ijo线搜索下的共轭梯度法FR、PR、HS和记忆梯度法更稳定、更有效.     

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.     

非精确线搜索下一类新的混合共轭梯度法研究

共轭梯度法在求解无约束最优化问题中起着重要作用。通过构造一个新的参数βk^＊,并与βk^DY结合,得到了一类新的混合迭代参数,此类混合共轭梯度法在迭代过程中保持下降性;在非精确强wolf线搜索下此算法具有全局收敛性。