共查询到20条相似文献,搜索用时 0 毫秒
1.
本文提出了一种新的求解无约束优化问题的混合共轭梯度算法.通过构造新的β_k公式,并由此提出一个不同于传统方式的确定搜索方向的方法,使得新算法不但能自然满足下降性条件,而且这个性质与线性搜索和目标函数的凸性均无关.在较弱的条件下,我们证明了新算法的全局收敛性.数值结果亦表明了该算法的有效性. 相似文献
2.
3.
本文研究了大规模无约束优化问题,提出了一个基于改进的FR共轭参数公式的共轭梯度法.不依赖于任何线搜索准则,算法所产生的搜索方向总是充分下降的.在标准Wolfe线搜索准则下,获得了新算法的全局收敛性.最后,对所提出的算法进行了初步数值实验,其结果表明所改进的方法是有效的. 相似文献
4.
5.
6.
《数学的实践与认识》2018,(23)
提出了一种带两个参数的三项共轭梯度法,新算法具有如下特点:1)满足共轭性条件;2)自动具有充分下降性;3)新的搜索方向具有更大的下降量.在合适的条件下,证明了算法在强Wolfe线搜索下具有全局收敛性.最后对新算法进行了数值实验,结果表明算法对求解无约束优化问题是有效的. 相似文献
7.
共轭梯度法是求解大规模无约束优化问题最有效的方法之一.对HS共轭梯度法参数公式进行改进,得到了一个新公式,并以新公式建立一个算法框架.在不依赖于任何线搜索条件下,证明了由算法框架产生的迭代方向均满足充分下降条件,且在标准Wolfe线搜索条件下证明了算法的全局收敛性.最后,对新算法进行数值测试,结果表明所改进的方法是有效的. 相似文献
8.
三项共轭梯度法作为二项共轭梯度法的一种拓展形式,亦是求解大规模无约束问题的有效方法之一.通过构造一个新的共轭参数与三项参数,并在某一限制条件下选择最速下降方向作为重启方向,进而建立了一种新的修正LS型三项共轭梯度算法.使用强Wolfe非精确线搜索产生步长时,证明了新算法具有充分下降性与全局收敛性.最后,对算法进行数值试... 相似文献
9.
在修正PRP共轭梯度法的基础上,提出了求解无约束优化问题的一个充分下降共轭梯度算法,证明了算法在Wolfe线搜索下全局收敛,并用数值实验表明该算法具有较好的数值结果. 相似文献
10.
11.
12.
关于共轭梯度法的下降性和收敛性 总被引:2,自引:0,他引:2
本文给出了重新开始的一个准则,其准则是为保证共轭梯度法的下降性,我们不仅得到了具有不同参数选择的一般共轭梯度法的收敛性,而且将Ref.1中的结论给予推广。 相似文献
13.
14.
共轭梯度法是一类具有广泛应用的求解大规模无约束优化问题的方法. 提出了一种新的非线性共轭梯度(CG)法,理论分析显示新算法在多种线搜索条件下具有充分下降性. 进一步证明了新CG算法的全局收敛性定理. 最后,进行了大量数值实验,其结果表明与传统的几类CG方法相比,新算法具有更为高效的计算性能. 相似文献
15.
本文提出了一种计算共轭梯度法中主要参数βk的新形式,它的计算与目标函数的下降量有关.并且还构造了它的一种杂交形式.利用了βk的新形式及其杂交形式的共轭梯度法都是收敛的.大量的数值实验表明它们是非常有效和稳健的,能用于大规模科学计算. 相似文献
16.
17.
一类无充分下降条件的非单调共轭梯度法的全局收敛性分析 总被引:1,自引:0,他引:1
In [3] Liu et al. investigated global convergence of conjugate gradient methods.In that paper they allowed βk to be selected in a wider range and the global convergence of the corresponding algorithm without sufficient decrease condition was proved. This paper investigates global convergence of nonmonotone conjugate gradient method under the same conditions. 相似文献
18.
19.
一种混合的HS-DY共轭梯度法 总被引:22,自引:3,他引:19
本文在HS方法和DY方法的基础上,综合两者的优势,提出了一种求解无约束优化问题的新的混合共轭梯度法.在Wolfe线搜索下,不需给定下降条件,证明了算法的全局收敛性.数值试验表明,新算法较之HS方法和PR方法更加有效. 相似文献
20.
新的全局收敛的混合共轭梯度法 总被引:2,自引:0,他引:2
新的全局收敛的混合共轭梯度法王宇平(西安电子科技大学应用数学系,西安710071)游兆永(西安交通大学应用数学研究中心,西安710049)一、前言对于无约束最优化问题共轭梯度法是通过如下的迭代序列来逼近f(x)的极小点,其中Sk为第k次迭代的搜索方向... 相似文献