一个新的修正HS共轭梯度法及全局收敛性

提出了一个新的修正HS共轭梯度算法解决无约束优化问题,该算法的特点是,搜索方向总是目标函数的下降方向,且不依赖于使用何种线搜索;特别是,若使用精确线搜索,该算法退化成标准的HS共轭梯度法.且在适当的假设条件下,证明了文章提出的算法具有全局收敛性,最后数值实验表明,文章提出的算法是可行的.

修正HS共轭梯度法在大规模信号重构问题中的应用

本义研究了压缩感知在大规模信号恢复问题中应用的问题.利用修正HS共轭梯度法及光滑化方法,获得了具有较好重构效果的算法.数值实验表明用修正HS共轭梯度法解决大规模信号恢复问题是可行的.

无约束最优化的Polak-Ribière和Hestenes—Stiefel共轭梯度法的全局收敛性(英文)

本文在很弱的条件下得到了关于无约束最优化的Ｐｏｌａｋ—Ｒｉｂｉｅｒｅ和Ｈｅｓｔｅｎｅｓ－Ｓｔｉｅｆｅｌ共轭梯度法的全局收敛性的新结果，这里 ＰＲ方法和ＨＳ方法中的参数β_k^(PR)和β_k^HS可以在某个负的区域内取值，这一负的区域与ｋ有关．这些新的收敛性结果改进了文献中已有的结果．数值检验的结果表明了本文中新的 ＰＲ方法和 ＨＳ方法是相当有效的．

基于Armijo搜索步长的几种共轭梯度法的分析对比

共轭梯度法是解决无约束优化问题的一种重要方法,使用不精确的Armijo搜索步长的方法,利用MATLAB工具对FR共轭梯度法、PRP共轭梯度法、HS共轭梯度法3种方式的收敛效果进行对比。结果表明:在低次函数里使用FR共轭梯度法效果较好,在高次函数里使用PRP共轭梯度法或HS共轭梯度法的收敛效果较好,并且在函数波动较大时,初值的选择应尽量靠近收敛点,才能有不错的收敛效果。

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.