无约束最优化问题随机搜索算法的收敛性 |
| |
引用本文: | 陈宝谦. 无约束最优化问题随机搜索算法的收敛性[J]. 计算数学, 1984, 6(2): 166-173 |
| |
作者姓名: | 陈宝谦 |
| |
作者单位: | 南开大学数学系 |
| |
摘 要: | 引言 设F(X)是定义在n维欧氏空间R~n上的实值连续函数,欲求它的极小点和极小值。解这样的无约束极值问题,已提出了好几种随机搜索算法。这类算法简单直观,适用范围广泛,是人们时常采用的方法之一。但是对这类算法的收敛理论,迄今研究甚少。 G.Schrack和N.Borowski对三种比较流行的随机搜索算法作了系统的计算实验,[2]说明M.A.Schumer和K.Steiglitz在[3]中提出的“调整步长随机搜索”算法(Ada-ptive step size random search)其计算效果比较好。本文在目标函数F(X)的一定假设条件下证明了这种算法的收敛性。
|
THE CONVERGENCE OF A RANDOM SEARCH ALGORITHM FOR UNCONSTRAINED OPTIMIZATION PROBLEMS |
| |
Affiliation: | Chen Bao-qian Nankai University |
| |
Abstract: | A number of random search algorithms have been proposed for calculating the least va-lue of a function F(X). Numerical experiment shows that adaptive step size random sear-ch algorithm (Schumer and Steiglitz [3]) is comparatively efficient. This algorithm, howe-ver, has not been analysed theoretically. In this paper, the author proves its convergenceproperty with the aid of the theory of Markov processes. |
| |
Keywords: | |
本文献已被 CNKI 等数据库收录! |
| 点击此处可从《计算数学》浏览原始摘要信息 |
|
点击此处可从《计算数学》下载全文 |
|