共轭梯度法在广义Wolfe搜索下的全局收敛性

给出共轭梯度法在广义Wolfe线搜索下的全局收敛结果 ,同时对 βk 的取值进行拓广 。

采用WOLFE搜索的BFGS—SQP算法

采用 Ｗｏｌｆｅ线性搜索原则来替代ＢＦＧＳ—ＳＱＰ算法的Ａｒｍｉｊｏ原则，经过类似的分 析，得到了ＢＦＧＳ—ＳＱＰ算法的全局收敛性及超线性收敛性．

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。

采用WOLFE搜索的BFGS-SQP算法

采用WOLFE线性搜索原则来取代该BFGS -SQP算法的Armijo原则 ,经过类似的分析 ,同样得到了BFGS -SQP算法的全局收敛性及超线性收敛性 .

采用WOLFE搜索的BFGSSQP算法

X .Chen给出了一个用于解决LC1 线性约束优化问题的BFGS SQP算法 ,这个算法是用Armijo线性搜索原则来求步长的 .采用Wolfe线性搜索原则来替代该BFGS SQP算法的Armijo原则 ,经过类似的分析 ,同样得到了BFGS SQP算法的全局收敛性及超线性收剑性 .

推广的Wolfe搜索下一族共轭梯度法的全局收敛性

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.本文提出一族包含FR方法和CD方法的新的共轭梯度法,证明了其在推广的Wolfe非精确线搜索条件下具有全局收敛性.最后对算法进行了数值试验,试验结果验证了该算法的有效性。

基于参数选取的Wolfe搜索下的混合共轭梯度法

共轭梯度法迭代简单,储存量小,是解决优化问题的重要方法之一。新混合共轭梯度法在Dai-Yuan(DY)方法的基础上,创立了新的公式,又将新公式与DY公式结合起来,加入参数的选取,重新组合成一种新的混合共轭梯度法,这种方法在Wolfe非精确线搜索下是下降的,并给出了算法的全局收敛性。通过选取算例进行数值实验,证明了新算法是有效的。

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.

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.

Wolfe搜索下记忆梯度法的收敛性

本文研究无约束优化问题的记忆梯度算法,分析了Wolfe搜索下该算法的全局收敛性和线性收敛速度。初步数值试验结果表明了算法的有效性。

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.

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。