一个新的MBFGS信赖域算法

本文研究了无约束最优化问题.利用MBFGS信赖域算法的基本思想,通过对BFGS校正公式的改进,并结合线搜索技术,提出了一种新的MBFGS信赖域算法,拓宽了信赖域算法的适用范围,并在一定条件下证明了该算法的全局收敛性和超线性收敛性.

等式约束最优化问题MBFGS法的全局收敛性

利用Li-Fukushima提出的求解无约束问题的修正BFGS(MBFGS)公式,提出了求解等式约束问题的SQP算法,并利用l1精确罚函数进一步将算法全局化,证明了在一定条件下算法的全局收敛性.此方法的最大特点是能够保证SQP算法子问题中矩阵的对称正定性.

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 。

无约束最优化的一个修正的类BFGS算法(英文)

利用前一步得到的曲率信息代替xk到xk+1段二次模型的曲率给出一个具有和BFGS类似的收敛性质的类BFGS算法,并揭示新算法与自调比拟牛顿法的关系.从试验函数库CUTE中选择标准试验函数,对比标准BFGS算法及其它改进BFGS算法进行数值试验.试验结果表明这个新算法的表现有点象自调比拟牛顿算法.

约束问题修正BFGS方法的局部超线性收敛性

将Li Fukushima提出的求解无约束最优化问题的修正BFGS法加以改进,应用于求解等式约束最优化问题.该方法的主要优点在于其迭代矩阵总保持对称正定.在一定的条件下,证明该方法具有局部超线性收敛性.

修正的两步BFGS算法的全局收敛性

拟牛顿方法在无约束优化中起着核心的作用。修正的两步拟牛顿法是在两步拟牛顿法基础上,构造一个修正的带有向量参数的多步拟牛顿方程。主要讨论在目标函数一致凸的条件下,基于该修正方程的两步BFGS算法的全局收敛性。

一类修正线搜索和改进BFGS算法的收敛性研究

BFGS方法是解决优化问题非常有效的一类拟牛顿方法,但是对于一般的函数,该方法可能会失效。文章对一般函数优化问题研究了基于新的线搜索的改进BFGS方法的新算法,证明了新算法具有全局收敛性。

一个改进的BFGS信赖域算法及收敛性分析

针对无约束最优化问题,将BFGS公式与信赖域算法有机结合,给出了Bk的一个新的修正公式,在此公式中引入了一个可调整的参数θ,并且在一定条件下证明了该算法的全局收敛性.

一个新的BFGS信赖域算法

本文对于无约束最优化问题提出了一个新的BFGS信赖域算法.利用BFGS方法和信赖域方法,提出了改进的BFGS信赖域方法.推广了文献[3,5]中的两种算法,得到一个新的BFGS信赖域算法,在适当条件下证明了算法的全局收敛性.

基于新拟牛顿方程的一类改进BFGS算法

针对无约束最优化问题 ,在已建立的一类新拟牛顿方程 Bk+ 1sk=yk =yk+ γks Tksksk的基础上 ,证明了满足新拟牛顿方程的一类改进 BFGS算法在修正矩阵 Bk 中参数 tk 满足 | 1 - tk|≤t′‖ sk‖ ( t′为任一常数 ) ,且目标函数一致凸的条件下 ,具有全局收敛性 .基于新方程的改进 BFGS算法产生的修正矩阵比传统拟牛顿方程产生的修正矩阵更接近于

块松弛BFGS方法

本文建立了最常用的拟Newton法-BFGS方法的分块算法,证明了这类方法的收敛性,并给出了敛速估计。

求无约束优化问题的混合谱尺度BFGS算法

依据BFGS算法、MBFGS算法、CBFGS算法及谱尺度BFGS算法,提出了一类混合谱尺度BFGS算法;同时,在Armijo线性搜索和Wolf-Powell线性搜索下对所提出的混合谱尺度BFGS算法证明了其全局收敛性,并通过数值实验测试了该算法的数值表现,实验结果表明混合谱尺度BFGS算法具有较好的数值效果。

基于修正拟牛顿公式的全波形反演

波形反演是一种利用全波场信息,通过最小化预测波场和实际波场的残差来揭示地下岩性和构造信息的方法.本文首先简述了常规拟牛顿算法的原理,之后利用一种新的拟牛顿公式对Davidon-Fletcher-Powell(DFP)和Broyden-Fletcher-Goldfarb-Shanno(BFGS)算法进行了修正,改进后的BFGS算法在近似Hessian矩阵逆矩阵时,不仅考虑了梯度和模型信息,还加入了目标函数本身的信息,而且对于每次迭代,基本没有增加计算量.数值试验表明,相对常规拟牛顿方法,修正BFGS算法在保证反演精度的同时,明显提高了反演效率.

基于Zhang-Hager线搜索的改进近似最优梯度法

提出一种改进的近似最优梯度法,求解图划分问题中的无约束目标函数.先用修正的BFGS更新公式及选取BB类步长的线性组合作为标量矩阵得到近似最优步长,再引入参数对经典的Zhang-Hager线搜索形式进行改进,构建算法框架并给出R线性收敛性证明.实验结果表明,改进算法提高了原算法的性能.

关于无线性搜索记忆梯度法的一个修正

对文献[1]提出的无线性搜索记忆梯度法进行了修正,得到一种新的无线性搜索记忆梯度算法,并证明在较弱的条件下,该算法还是整体收敛的.

秩2修正的基于模型的仿射约化割线法

把仿射约化变换应用于基于模型的割线法中 ,在近似海色阵修正时 ,采用修正秩 2 ,得到一种新的求解无约束最优化问题的算法 ,从理论上证明了算法的

建立在修正BFGS公式基础上的新的共轭梯度法

共轭梯度法是一类非常重要的用于解决大规模无约束优化问题的方法.本文通过修正的BFGS公式提出了一个新的共轭梯度方法.该方法具有不依赖于线搜索的充分下降性.对于一般的非线性函数,证明了该方法的全局收敛性.数值结果表明该方法是有效的.

基于修正BFGS的新混合共轭梯度法

基于Yuan及Li和Fukushima提出的两类修正割线方程,对Saman Babaie-Kafaki及合作者提出的混合共轭梯度法的搜索方向进行修正,产生在迭代过程中不依赖于任何线搜索而具有充分下降方向的新混合共轭梯度法.在适当的假设下,证明了新算法的全局收敛性.数值结果表明该方法是有效的.

一个带有线搜索的新信赖域方法及其收敛性

本文利用一个修正的BFGS公式,提出了一个结合Armijo线搜索条件技术的BFGS信赖域方法,并在一定条件下证明了该方法的全局收敛性和超线性收敛性.初步的数值实验结果表明该方法是有效的.

一个新的线搜索信赖域方法(英文)

利用一个修正的BFGS公式,提出了结合线搜索技术的BFGS-信赖域方法,并在一定条件下证明了该方法的全局收敛性和超线性收敛性.