Armijo型线搜索下的新共轭梯度法的全局收敛性

共轭梯度法是解决无约束非线性最优化问题的重要的方法之一.基于FR方法好的收敛性并考虑到dk的下降性,提出了一类新的共轭梯度法,并在两种Armijo型搜索下,研究了新方法的全局收敛性.数据实验表明新方法是有效的.     

一种新共轭梯度法的理论研究和数值试验

共轭梯度法被广泛应用于求解无约束条件的最优化问题,尤其是一些大型最优化问题。近年来,很多学者在诸如FR,PRP,HS等经典方法的基础上,进行加工和改进,以提高共轭梯度法数值计算的效果。例如,基于Dai和Liao等人提出的一种新拟牛顿方程,Li,Tang和Wei构造出新的共轭条件,从而提出了一种新的共轭梯度法。这种方法既具有收敛性又得到更好的计算结果。另一方面,Hager和H Zhang也构造了一种新的单参数共轭梯度法。本文在这些方法的基础之上,给出了一种新共轭梯度法的计算公式,并在强凸条件下证明了其全局收敛性。此外,其数值计算的结果也是令人满意的。     

复共轭梯度法的结构

从复问题本身出发,对实值复变函数的优化问题引入了最优复搜索的概念,得到了最优复搜索的条件.给出并证明了二次优化问题的复共轭方向法与复共轭梯度法,并藉此给出了一般实值复变函数优化问题的复共轭梯度法.对复问题的直接推导与证明明晰了复共轭梯度法的数学结构.复共轭梯度法可以理解为是在实共轭梯度法中直接将实转置改为共轭转置得到的.     

修正的共轭梯度法在两种线搜索下的全局收敛性

针对参数βk的不同选取可以构成不同的共轭梯度法,给出了一类求解无约束最优化问题的修正的共轭梯度算法,这种算法能够在较弱条件下证明选定的卢。在每一步都能产生一个下降方向,且在Wolfe线搜索下具有全局收敛性．另外这种算法在另一种Wolfe搜索条件下,若搜索方向为下降时,也具有全局收敛性．     

超记忆梯度算法的全局收敛性

对无约束优化算法进行了研究。描述了最速下降算法、牛顿法、非线性FR共轭梯度法、非线性PRP共轭梯度法、非线性DY共轭梯度法等求解大规模无约束优化问题的有效算法以及精确线搜索、Wolfe线搜索、Armijo线搜索的搜索条件;着重研究了计算更为有效的适合求解无约束优化问题的超记忆梯度算法;在一类Wolfe型非精确线搜索条件下给出了一类超记忆梯度算法,并且在较弱的条件下证明了算法的全局收敛性,为求解大规模无约束优化问题以及各种算法的比较提供了参考。     

一个全局收敛的共轭梯度法

提出一个新的共轭梯度法用于解决无约束最优化问题,并证明了新公式的充分下降性以及在步长满足Zoutendijk条件下新公式的全局收敛性。数值结果表明,这种方法很有价值。     

改进的共轭梯度法及其收敛性

共轭梯度法是求解大规模无约束优化问题的一种有效方法。针对算法的优劣主要依赖于步长因子和搜索方向的特点，结合共轭梯度法的共轭性质，提出一种改进的可以控制步长因子的共轭梯度算法。在建立算法的几个重要引理和全局收敛性定理后分别给出了证明。最后对算法进行了数值实验，实验结果表明算法具有良好的收敛性和有效性。     

改进的共轭梯度法及其收敛性

共轭梯度法是求解大规模无约束优化问题的一种有效方法。针对算法的优劣主要依赖于步长 因子和搜索方向的特点,结合共轭梯度法的共轭性质,提出一种改进的可以控制步长因子的共轭梯度算 法。在建立算法的几个重要引理和全局收敛性定理后分别给出了证明。最后对算法进行了数值实验,实 验结果表明算法具有良好的收敛性和有效性。     

一类非线性共轭梯度法的全局收敛性

研究求解无约束最优化问题的共轭梯度法,提出了一种新的共轭梯度类型公式,从而影响了算法产生的搜索方向,进一步影响了算法的效果,得到一类新共轭梯度法,证明了在Grippo-Lucidi线搜索下新共轭梯度法的全局收敛性.     

基于信赖域子问题的共轭梯度法

对于求解无约束优化问题,利用重新开始的三项共轭梯度法与信赖域方法结合,并引入非单调技术,当迭代不成功时,改进后的算法保留一些有用信息,提高了算法的有效性。在适当的条件下,给出了新算法的全局收敛性,数值试验结果表明新算法是有效的。     

基于Shearlet变换的泊松噪声图像复原问题研究

为了解决泊松噪声图像的复原问题,几种正则化方法已被提出,其中最著名的是全变差（TV）模型,但TV模型会引起阶梯效应。总广义变差（TGV）是全变差的推广,用TGV作为正则项来恢复泊松图像,可以消除阶梯效应,但图像的边缘细节信息不能很好地保持。为了克服这个缺点,基于TGV和Shearlet变换,该文提出了一种新的正则化模型,并用交替方向乘子法（ADMM）求解。数值结果有效地展示了该模型在保持图像边缘细节上的优越性。     

波动逆散射的正则化方法研究Ⅱ

积分方程方法是求解波动逆问题的一种新方法 ,它利用积分算子有效地将散射物边界数据映射到远场或者近场测试的数据上 ,从而避免了迭代和优化方法中正问题的求解 ;但是 ,所得的第一类和第二类积分方程是不适定的 ,这样就需要用到正则化方法。文中着重就第一类不适定的积分方程的正则化方法加以探讨。     

广义Wolfe线搜索下共轭梯度法的全局收敛性

共轭梯度法是求解大规模约束问题的有效算法,不同的参数选取构成不同的共轭梯度法.通过研究一个新的求解无约束最优化问题的共轭梯度法,证明该公式在广义Wolfe线搜索下是具有充分下降性,并且是全局收敛的.     

Wolfe线搜索下一类新的共轭梯度法

共轭梯度法是一类解决无约束优化问题的有效方法,尤其适用于大规模优化问题的求解。提出一族包含DY方法的新的共轭梯度法,并证明了该算法在Wolfe线搜索条件下具有全局收敛性,数值结果表明该算法是有效的。     

基于量子行为粒子群算法的航空瞬变电磁拟二维反演技术

传统的确定性反演算法严重依赖初始模型,易陷入局部极小值中,导致最终反演结果偏离真实模型。粒子群(PSO)算法作为一种随机性反演算法,具有较强的跳出局部极小值的能力,但是仍存在早熟收敛和收敛速度慢等问题,限制了该算法在二、三维电磁反演中的发展。针对上述问题,首先提出采用量子行为粒子群(QPSO)算法代替传统粒子群算法,将量子在势阱中运动规律引入到粒子群算法中,使得粒子可以出现在势阱内任何存在概率分布的位置上,有效地克服了由于群体的聚集性所导致的早熟收敛问题。此外,采用拟二维反演算法代替传统二维反演算法,使得反演模型参数维度下降,寻优过程中局部极小值个数将大幅度减少,显著提高粒子群算法的收敛速度,但是在粒子群中开展拟二维反演时,传统的正则化参数的寻优过程将浪费大量计算资源。结合量子行为粒子群算法中各测点的全局最优粒子在粒子群进化过程中的重要地位,采用α-Trimmed方法开展相邻点间全局最优粒子模型参数光滑约束,实现粒子群算法快速横向约束反演。最后将量子行为粒子群算法拟二维反演技术应用到含噪全航空瞬变电磁仿真数据处理中,反演结果与原始模型具有较好的一致性。     

一类无约束优化问题的的共轭梯度法

共轭梯度法是求解非线性优化问题的一种重要方法,尤其适用于大规模优化问题的求解.提出一个新的非线性共轭梯度公式,采用该公式和Wolfe非精确线搜索的方法,使之全局收敛.经数值实验验证该算法是有效的.     

一类无约束优化问题的的共轭梯度法

共轭梯度法是求解非线性优化问题的一种重要方法，尤其适用于大规模优化问题的求解。提出一个新的非线性共轭梯度公式，采用该公式和Wolfe非精确线搜索的方法，使之全局收敛。经数值实验验证该算法是有效的。     

共轭梯度法全局收敛的一个充分条件

通过对不同共轭梯度法收敛性分析的研究,提出了共轭梯度法全局收敛的一个充分条件,分析了该充分条件的合理性,并给出一种带参数的混合共轭梯度法,证明了该方法在强Wolfe线搜索下满足该充分条件.数值实验结果表明:该算法是有效的.     

基于复共线性诊断的正则化方法

主要研究了大地测量中不适定问题的正则化方法。根据对复共线性诊断的结果,对未受到复共线性的危害影响或受到危害影响比较小的部分未知参数附加约束,提出了基于复共线性诊断的正则化方法,并给出了正则化矩阵和正则化参数的选取方法,得到了对不适定问题未知参数的一个新的估计。数值试验表明,新的估计估值准确性较好,有效地削弱和克服了复共线性对参数估计的不良影响,优于普通的岭估计。     

基于复共线性诊断的正则化方法

主要研究了大地测量中不适定问题的正则化方法。根据对复共线性诊断的结果,对未受到复共线性的危害影响或受到危害影响比较小的部分未知参数附加约束,提出了基于复共线性诊断的正则化方法,并给出了正则化矩阵和正则化参数的选取方法,得到了对不适定问题未知参数的一个新的估计。数值试验表明,新的估计估值准确性较好,有效地削弱和克服了复共线性对参数估计的不良影响,优于普通的岭估计。