非单调Armijo型线搜索下Liu-Storey共轭梯度法的收敛性

研究了一种非单调Armijo型线搜索,发现了此线搜索的一些新的性质,并利用这些新性质证明了此线搜索Liu-Storey(LS)共轭梯度法不仅是全局收敛的,而且是强收敛的。     

Armijo型线搜索下一个修正Hestenes-Stiefel共轭梯度法的全局收敛性

提出一个新的修正Hestenes-Stiefel(HS)非线性共轭梯度法(MHSCG算法).在精确线搜索下MH-SCG算法化归为标准的HS共轭梯度算法.该算法产生的搜索方向不依赖于线搜索准则而具有充分下降性.新方法在一个修正Armijo型线搜索下具有全局收敛性.数值试验表明,对于多数算例新算法比PRP、HS、LS算法具有更好的计算结果.     

一类改进的谱共轭梯度法

谱共轭梯度法有两个方向控制参数,是解决大规模无约束优化问题的有效方法.本文提出了一个改进的谱参数θ_k,它不同于现有的θ_k.新算法在任何线搜索下都满足著名的共轭条件:d~T_ky_(k-1)=0.新方法的搜索方向在任何线搜索下都是充分下降的.在一般假设下,我们证明该方法在改进的Wolfe线搜索是全局收敛的.     

带非精确线搜索的一类特殊算法之收敛性

线搜索过程是最优化方法的基本组成部分，由于在实际计算中，理论上精确的最优步长因子一般不能求到，求几乎精确的最优步长因子需花费相当大的工作量，因而花费计算量较小的非精确线搜索具有重要的实际意义。本文在四种非精确线搜索下讨论了一类比文［５］广的特殊算法，并获得了算法较强的收敛性质。     

一种修正的谱共轭梯度法及其全局收敛性

提出了一种新的求解无约束优化问题的谱共轭梯度算法.该算法在标准Wolfe线性搜索条件就能满足充分下降性,在标准的Wolfe非精确线搜索下证明新算法的全局收敛性.     

标准Wolfe线搜索下修正的HS共轭梯度法

为求解非线性无约束优化问题,本文在HS共轭梯度法的基础上,得到一个修正的共轭梯度法。不依赖于强Wolfe线搜索的选择,仅在标准Wolfe线搜索下,证明该修正的共轭梯度法的搜索方向满足下降性和相应算法的全局收敛性。最后的数值实验结果表明该方法是有效的。     

一种修正的LS共轭梯度法

对无约束优化问题,给出了一个改进的LS共轭梯度方法(NLS方法),在不依赖于任何线搜索条件下,NLS方法满足充分下降条件,且在强Wolfe非精确线搜索条件下,该方法具有全局收敛性.     

一类保证充分下降性的YT型共轭梯度算法

基于施密特正交化与YT型共轭条件,给出一类修正的YT型共轭梯度算法。新算法的一个重要特性是产生的方向总是满足充分下降条件,且不依赖于任何线搜索。当使用精确线搜索时和合适的参数下,新算法退化为标准的HS方法。在一定条件下,作者证明算法在标准Wolfe线搜索条件下对于一致凸函数与一般函数具有全局收敛性。数值结果表明新算法具有优良的数值性能。     

界约束非线性方程组的非单调线搜索法

提出一种用非单调线搜索方法求解简单界约束非线性方程组,算法采用不精确线搜索技巧,并使用非单调结构,将当前函数最大值的下降改进为函数平均值的下降,推广了算法的适用范围.进行了数值试验,结果表明算法十分有效.     

Armijo线搜索下一个修正的PRP共轭梯度法的全局收敛性

提出一个求解大规模无约束优化的修正PRP共轭梯度算法.在每步迭代中,该算法均能自动产生一个不依赖于任何线搜索的充分下降方向且该方向具有信赖域性质.通过使用Armijo线搜索计算步长,在标准的假设条件下,证明了算法的全局收敛性.数值实验结果表明该算法是有效的.     

基于边缘检测和骨架线跟踪的线状目标识别

线状目标的识别在很多方面具有重要应用,而目前常用的识别方法在准确性、抗干扰能力等方面有所欠缺。本文提出了一种综合利用边缘和骨架线这两个特征对线状目标进行识别的方法。方向小渡变换不仅体现了多尺度特征,而且能很好地结合图像的方向及纹理特征,反映图像的边缘信息;基于优先搜索方向的骨架线跟踪方法可以减少搜索范围,降低问题复杂度。综合利用基于方向小波变换的边缘提取方法和基于优先搜索方向的骨架线跟踪方法,有效识别出线状目标,并通过纤维的识别证明了该方法的可靠性与精确性。     

一类具有充分下降性的共轭梯度方法

提出一类求解大规模无约束最优化问题的新共轭梯度方法.该方法在任何线性搜索下都具有充分下降性,并证明了采用Wofle线性搜索时其全局收敛性.数值实验表明该方法是很有效的.     

一类在新的线搜索下的共轭梯度法

提出了一种新的线搜索并在此基础上给出了一类共轭梯度法的全局收敛性定理.     

一个具有充分下降性的共轭梯度法及其全局收敛性

本文通过构造含有双参数的公式βk,提出了一个新的共轭梯度算法.该法具有充分下降性,与所选用的搜索准则及目标函数f凸性均无关,在强Wolfe线搜索下给出该算法具有全局收敛性.     

一种有效的多目标混合遗传算法

设计了一种基于支配关系下的局部搜索方法，将此局部搜索方法嵌入到多目标遗传算法中，从而提出一种有效的求解多目标优化问题的混合遗传算法。为加速遗传算法在全局优化问题上的收敛性，发挥传统数值优化算法在计算速度与计算精度上的优势，在遗传算法中镶嵌一个多目标线搜索算子。线搜索算子与遗传算法中的选择算子、交叉算子和变异算子共同作用，使全局搜索和局部搜索都能够很好的实现。数值实验表明，该混合遗传算法能求得问题的数量更多、分布更广的Pareto最优解。     

改进的LS共轭梯度法及其收敛性（英文）

提出了一种改进的LS共轭梯度法,该方法具有不依赖于所采用的线搜索方法的充分下降性.并证明了该方法在Armijo型搜索下求解非凸问题的全局收敛性,相关的数值实验结果检验了算法的有效性.     

一类在新的线搜索下的共轭梯度法

提出了一种新的线搜索并在此基础上给出了一类共轭梯度法的全局收敛性定理。     

Wolfe搜索下的谱LS共轭梯度法

论文在LS共轭梯度法的基础上,提出谱LS共轭梯度法,证明该方法不依赖于任何线搜索就具有充分下降性,并且在Wolfe搜索下证明算法的全局收敛性。数值试验表明,该方法明具有良好的计算效能,特别适合于求解大规模无约束优化问题。     

无约束优化问题的修正WYL共轭梯度法及其收敛性质

在相关文献的基础上，提出无约束优化问题的修正WYL共轭梯度法，该方法不依赖于任何线搜索而满足充分下降性，证明了采用Arimijo型线搜索算法的全局收敛性，及在适当条件下算法具有R-线收敛速率，证明了采用重开始策略时算法具有n步二次收敛性。     

求解对称矩阵最大特征值的Barzilai-Borwein法

高维对称矩阵最大特征问题的求解是数学界中比较关注的问题之一。文章采用无约束优化方法进行求解,设计了非单调搜索的Barzilai-Borwein(BB)算法,数值算例显示该算法比单调线搜索最速下降法迭代次数更少,收敛速度快且相对误差小的良好计算性能。