一类具有充分下降性的修正FR共轭梯度法

提出了一类不依赖线搜索具有充分下降性的修正FR共轭梯度法(MFR),并证明了MFR方法在强Wolfe线搜索下的全局收敛性.     

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.     

修正的谱Dai-Yuan共轭梯度法

在Dai-Yuan共轭梯度法的基础上,提出了一个修正的谱DY方法,使其继承了DY方法良好的理论性质,同时数值表现也得到较好的改善.在Wolfe线搜索条件下建立了其全局收敛性,进一步给出了一个有效的谱共轭梯度算法,数值试验表明该算法比PRP共轭梯度算法更有效.     

修正CD共轭梯度法的全局收敛性

共轭梯度法是无约束优化问题的常用方法,随着大规模问题的出现,该算法受到越来越多重视。在CD共轭梯度法的基础上,提出了一种修正CD共轭梯度法。在强Wolfe线性搜索下,证明了修正CD共轭梯度法的下降性,并在适当的假设下证明了该算法的全局收敛性。     

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.     

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.     

混合CD-DY共轭梯度法

在CD方法和DY方法的基础上对求解无约束优化问题提出了一种混合的CD-DY共轭梯度法.在广义Wolfe线搜索下无需给定下降条件,即可证明混合方法的全局收敛性.初步试验表明新方法的数值效果优于CD方法和DY方法.     

一个混合共轭梯度法的收敛性

结合收敛性及计算效能两者的优势,提出一个求解无约束优化问题的混合共轭梯度法,证明了算法在wolfe线搜索下的全局收敛性．并对算法进行数值实验,数值结果良好。     

Wolfe线搜索下一类新的共轭梯度法

共轭梯度法是一类解决无约束优化问题的有效方法,尤其适用于大规模优化问题的求解.提出一族包含DY方法的新的共轭梯度法,并证明了该算法在Wolfe线搜索条件下具有全局收敛性,数值结果表明该算法是有效的.     

一种修正的WYL共轭梯度法及其全局收敛性

文章提出了一种用于求解无约束优化问题的修正的WYL共轭梯度法,该算法在不依赖任何线性搜索的情况能够始终产生充分下降方向.在适当的条件下,采取了Armijo线性搜索的该算法具有全局收敛性,最后,我们给出相应的数值结果说明该算法是有效的.     

一类新的共轭梯度算法及其全局收敛性弱大数定律

共轭梯度法在无约束最优化问题中有着广泛应用.文中给出了一类新的共轭梯度算法,新算法在迭代过程中保持了下降性质;在一般wolfe线搜索条件下,新算法是全局收敛的.     

在Wolfe步长搜索下的一类新的共轭梯度算法

研究利用共轭梯度法求解无约束最优化问题,为了保证共轭梯度方向是目标函数的充分下降方向,对共轭梯度算法中的共轭梯度方向参数确定了一个取值范围并与Wolfe步长搜索相结合,提出了新的共轭梯度算法,使算法具有更好的收敛速度,特别是在求解大规模无约束最优化问题时,此算法只需要较小的存储.     

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。     

弱Wolfe线搜索下一类含参量共轭梯度法的全局收敛性

基于算法的下降性要求给出了一类求解无约束优化问题的含参量共轭梯度类型公式和算法,并证明了该算法在弱Wolfe线搜索下的下降性和全局收敛性.数值实验结果表明算法是有效的.     

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.     

一类共轭梯度法的收敛性探讨

针对文献[1]中提出的共轭梯度算法的一些不足,作者提出对参数?k进一步改进,形成一种基于FR方法和DY方法的新共轭梯度算法。根据该算法的相关搜索条件,作者证明了该算法具有全局收敛性,并说明了该算法也具有二次终止性。     

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.     

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。     

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βkDY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。     

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.