一个带不精确线性搜索的记忆梯度法

给出了一个求解无约束优化问题的带不精确线性搜索的记忆梯度法。该方法利用以前迭代的更多信息来确定新的搜索方向,并用不精确线性搜索来选择迭代步长,证明了算法满足线性搜索的条件下的全局收敛性。数值试验结果显示,新算法具有较好的稳定性,对于求解大规模的问题,该算法显得更为有效。

BFGS修正算法在前馈神经元网络学习中的应用

介绍了拟牛顿公式中 BFGS修正算法和 Wolf- Powell不精确线性搜索准则所具有的全局收敛性质 。

一种新的混合的共轭梯度算法的全局收敛性

文章提出了一个新的混合共轭梯度法,它可以被看作是HS和DY的凸组合方法,并证明了在Wolfe条件下具有全局收敛性,它为一个算法的实际应用提供理论依据.

高等数学中关于扩展的非拟牛顿算法的全局收敛性

在目标函数一致凸的条件下,探讨了非拟牛顿法在Wolfel线性搜索和Goldstein线性搜索下的全局收敛性予以证明,得出在求解无约束优化问题当δk充分小时,用B k+1替代2f(x k),使非拟牛顿方程不仅利用了函数梯度值信息,还利用了函数值的信息。

一种基于共轭梯度最优化技术的三维时域扩散光学层析方法

扩散光学层析(DOT)中的图像重建是一个面向大参数集的非线性最优化问题,其标准求解方法为牛顿类迭代法,需要对整个Jacobian矩阵进行构建、求逆和存贮,这对大规模的三维问题是不可行的,为此常采用基于逐行线性逆策略的非创伤性填充(ART)技术,图像质量受到严重制约。采用共轭梯度算法,直接求解非线性目标函数梯度,可避免对Jacobian矩阵的操作,为有效降低步长因子求解引起的附加计算量,采用一维不精确搜索算法。通过对双非均匀目标体的平板模型进行模拟成像,与代数重建算法结果进行比较,表明共轭梯度法的重建质量、收敛速度和收敛性都优于ART算法。