标准Wolfe线搜索下改进的HS共轭梯度法

通过对现有的HS共轭梯度法进行修正,提出一个具有下降性质的改进型HS共轭梯度法,该算法的下降性质得到论证.在标准Wolfe线搜索条件下,证明了改进的HS算法具有全局收敛性.最后,通过数值实验结果的对比,发现新算法数值效果是优异的.

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。

强Wolfe线搜索下一个新的优化算法

本文主要研究了一个新的优化算法.首先,利用给出的新的公式和强Wolfe线搜索,证明了该算法在不要求搜索方向满足共轭性条件下具有充分下降性和全局收敛性;其次,利用目标函数为一致凸函数的假设,证明了该算法具有线性收敛速率;最后,利用数值试验,验证了新算法是有效的、可行的.

修正Wolfe线搜索下的一类谱共轭梯度法

在已有文献的基础上对共轭参数进行凸组合、修正谱参数,提出一种新的求解大规模无约束优化问题的谱共轭梯度法。该方法使每次迭代都自动产生一个不依赖于任何线搜索的下降方向,并在一定条件下建立了此方法的全局收敛性。

Wolfe线搜索下一类混合共轭梯度法的全局收敛性(英文)

本文给出了一个新的共轭梯度公式,新公式在精确线搜索下与DY公式等价,并给出了新公式的相关性质.结合新公式和DY公式提出了一个新的混合共轭梯度法,新算法在Wolfe线搜索下产生一个下降方向,并证明了算法的全局收敛性,并给出了数值例子.

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。

一类新的强Wolfe线性搜索下的记忆梯度法

研究一类新的无约束优化记忆梯度算法,并在强Wolfe线性搜索下证明了其全局收敛性.当目标函数为一致凸函数时,对其线性收敛速率进行了分析.

一种新的Wolfe线搜索技术及全局收敛性

共轭梯度法是求解无约束优化问题的一种重要的方法,尤其适用于大规模优化问题的求解。通过应用计算βk的新公式求得一种新的共轭梯度法,在非精确线性搜索的Wolfe准则下证明新的共轭梯度法的全局收敛性,并且数值实验表明了这种线搜索下算法的有效性。

一种改进的Wolfe线搜索下的FR共轭梯度法

文献[3]中的改进的Wolfe线搜索算法,对于计算目标函数梯度花费较大的情形可以节省一定的计算量。本文将这种改进的Wolfe线搜索算法用于FR共轭梯度法,并证明了该算法在参数σ≤1/2的情况下与Wolfe线搜索下的FR共轭梯度法具有相同的理论性质。数值实验表明该算法是可行的和有效的。

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Wolfe搜索下的共轭梯度法及其全局收敛性

构造一个新的求解无约束优化问题的非线性共轭梯度公式中βk参数的计算公式,采用该公式得到Wolfe非精确线搜索的新算法,并证明新算法具有全局收敛性,并用数值实验验证新算法是有效的.

B-(p,r)-预不变凸规划的Wolfe对偶问题与极小化问题

B-(p,r)-预不变凸函数是一类新的广义凸函数,它是B-(p,r)-不变凸函数的推广。本文讨论了B-(p,r)-预不变凸函数的一些性质;然后利用B-(p,r)-预不变凸型函数建立了目标函数和约束函数均可微的多目标规划问题的W olfe型对偶,证明了目标函数和约束函数在B-(p,r)-预不变凸型函数条件下的弱对偶,强对偶和严格逆对偶定理;最后给出了B-(p,r)-预不变凸函数在关于目标函数的极小化问题中的两个重要应用,即建立目标函数在B-(p,r)-预不变凸函数条件下的极小化问题(P),证明了它的局部最优解是全局最优解,它的解集是p-不变凸集,且得出如果问题(P)存在最优解,则最优解唯一。本文结论具有一般性,推广了涉及预不变凸函数、B-预不变凸函数和(p,r)-预不变凸函数文献的一些结论。

Wolfe线搜索下一种修正的HS共轭梯度法及其全局收敛性

提出一种修正的HS共轭梯度法.该算法产生的搜索方向为充分下降方向,且这一性质与所采用的线搜索方法无关.并在Wolfe线搜索的条件下证明了该算法全局收敛性.数值实验结果表明算法是有效的.

B-(p,r)-不变凸规划的最优性条件及Wolfe型对偶

B-(p,r)-不变凸函数是一类新的广义凸函数,它既是不变B-凸函数,又是(p,r)-不变凸函数的推广形式.首先,利用B-(p,r)-不变凸函数讨论了目标函数和约束函数均可微的多目标分式规划问题(FP),得到了目标函数和约束函数在B-(p,r)-不变凸函数限制下可行解为有效解的一个最优性充分条件;其次,利用B-(p,r)-不变凸函数建立了多目标分式规划问题(FP)的W olfe型对偶,证明了目标函数和约束函数在B-(p,r)-不变凸函数限制下的弱对偶,强对偶和严格逆对偶定理.其结论具有一般性,推广了许多涉及不变凸,不变B-凸,(p,r)-不变凸和B-(p,r)-不变凸函数的文献的结论.

广义K-(F,α,ρ,d)-B凸半无限多目标规划的Wolfe型对偶问题

首先在K-(F,α,ρ,d)-B凸函数和广义K-(F,α,ρ,d)-B凸函数概念基础上,建立了一类广义K-(F,α,ρ,d)-B凸半无限多目标规划的Wolfe型对偶问题;然后,在广义K-(F,α,ρ,d)-B凸函数的情形下给出和证明了弱对偶定理、强对偶、限制逆对偶定理和严格逆对偶定理.

集值函数向量优化的WOLFE对偶

本文在局部凸拓扑向量空间中建立了集值函数向量优化的Wolfe对偶问题，证明了相应的弱对偶定理，对偶定理和逆对偶定理．

Wolfe线搜索下充分下降性的FR型共轭梯度法

在FR共轭梯度法的基础之上,提出了一种新的共轭梯度法.在标准的Wolfe线搜索下,证明了该算法的充分下降性和收敛性.最后,给出初步的数值实验结果并表明该方法是有效的.

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.

Wolfe线搜索下的全局收敛修正HS共轭梯度法

为解决大规模无约束优化问题,基于Wolfe线搜索技术,提出新的修正HS共轭梯度法。在水平集有界和梯度Lipschitz连续的条件下,证明新算法具有全局收敛性。数值实验证实此算法有效可行。

广义凸多目标规划的Wolfe型对偶定理

给出一类广义凸多目标规划的最优性条件，建立了Ｗｏｌｆｅ型对偶模型，得到了弱对偶。