解无约束优化问题的MBFGS过滤器算法

构造了一个求解无约束优化问题的新算法.该算法结合了修正BFGS(MBFGS)算法的思想和多维过滤器算法策略.一方面,搜索方向的产生类似于MBFGS算法;另一方面,在接受新的迭代点时,采用多维过滤器算法的策略.新算法是全局收敛的.     

一类无约束优化问题的信赖域过滤器算法

构造了一个求解无约束优化问题的新算法,结合了采用修正BFGS（MBFGS）算法的信赖域思想和多维过滤器算法策略．搜索方向的产生类似于MBFGS算法;在接受新的迭代点时,采用多维过滤器算法的策略及信赖域思想,新信赖域算法是全局收敛的．     

无约束优化算法收敛的极限点比较

对七种无约束优化算法进行了大量有效的数值试验,提出了各种算法在初始条件相同的情况下,产生的迭代点列可以有不同的极限点,并对此现象进行合理的解释。     

基于锥模型的无约束优化问题的信赖域算法

对无约束优化问题,提出了一种基于锥模型的非单调信赖域算法.该算法与通常的信赖域算法的不同在于:当试探步不成功时,不再重新求解子问题,而是采用非单调线搜索技术.对子问题进行了分析,并证明了算法的超线性收敛性.     

无约束优化问题的多种群混合类电磁机制算法

在分析了标准类电磁机制算法不足之处的基础上,提出了一种处理无约束优化问题的新的类电磁机制算法。新算法用两个种群进化,从两个进化种群中选出优势个体互相学习,交换信息;提出了基于粒子电荷量和它们之间距离的自适应调节的新的受力计算公式。仿真试验结果表明,和已有算法相比,该算法能有效克服早熟收敛,具有收敛快、求解性能好的优点.     

无约束优化问题的一个改进的BFGS信赖域算法

给出了一个与文献[1]等价的新的BFGS信赖域算法,此算法同样具有较好的性质,并在适当的条件下该算法具有全局收敛性.     

带记忆的非单调无约束优化算法的全局收敛性

自从非单调线搜索技巧引入非线性优化后,所得的算法得到了成功的应用与扩展。带记忆的梯度方法经常用来求解无约束优化问题,尤其是大规模的问题。将带记忆梯度法与Wolfe非单调线搜索技巧成功融合到一起得到了新算法。证明了该算法全局收敛。     

无约束最优化线性搜索方法的研究

论述了一个有效的用一地无约束最优化方法的线性搜索方法，该方法是Ｆｌｅｔｃｈｅｒ线性搜索方法的一个修正，它具有减少梯度值计算次数，适宜适应步长以提高优化方法有效性的特点。     

一种无约束优化问题的谱共轭梯度法

提出了一种新的谱共轭梯度法,证明了该方法不依赖于任何线搜索具有充分下降性,在Armijo线搜索下证明了算法具有全局收敛性。数值试验结果表明：在Armijo线搜索下,该方法比Necu-lai,Andrei提出的方法有效;并且4种测试函数的数值结果显示：新方法明显优于谱DY算法,也较谱FR算法有效;可以和谱PRP的计算效能相媲美,故算法具有良好的计算效能。     

解无约束最优化问题的一个非单调的新的BFGS信赖域算法

给出了一个解无约束最优化问题的非单调的新的BFGS校正的信赖域算法.将非单调算法应用于解信赖域问题,前人已卓有成效.本文的关键之处就是提出了新的BFGS校正公式,此算法具有较好的性质,所给的BFGS校正的具有二次约束的信赖域子问题总保证校正矩阵是正定的,也即信赖域子问题是严格凸二次规划.在较少的假设条件下还结合相关理论证明了所提供的算法具有全局收敛性.     

解无约束最优化问题的一个非单调的新的BFGS信赖域算法

给出了一个解无约束最优化问题的非单调的新的BFGS校正的信赖域算法．将非单调算法应用于解信赖域问题。前人已卓有成效．本文的关键之处就是提出了新的BFGS校正公式,此算法具有较好的性质。所给的BFGS校正的具有二次约束的信赖域子问题总保证校正矩阵是正定的。也即信赖域子问题是严格凸二次规划．在较少的假设条件下还结合相关理论证明了所提供的算法具有全局收敛性．     

无约束优化的一种改进的梯度法

本文提出了一种改进的梯度寻化方法,它能克服普通梯度法在初始寻优阶段以后的寻优过程变得缓慢的缺点.     

无约束优化问题的一种新的变尺度法

借助于三角分解和直接列修正技巧，对无约束优化问题提出一种新的变尺度法，并给出算法的收敛阶和在不精确线搜索下的大范围收敛性；数值结果及与ＢＦＧＳ法等其它变尺度法的数值比较。     

一种基于无约束最优化的多用户检测算法

在码分多址（CDMA）系统中提出了一种基于无约束最优化的近最大似然多用户检测算法。最大似然检测算法可以看成是一个具有约束条件的组合优化问题,所提出的算法通过放松这个组合优化问题的约束条件,将最大似然检测算法转化成为一个无约束最优化问题,并利用无约束最优化问题的解来近似得到最大似然解。数值结果显示：无论在加性高斯白噪声信道（AWGN）下,还是在随机时变多径信道下,该算法都与最大似然检测的性能都十分接近,同时其复杂度在用户数比较大时仅与线性检测算法相当。     

解无约束最优化的超抛物面法

介绍了一种新的解无约束最优化的直接方法—抛物面法,它是在+1中找到不在同一超平面的+2个点,通过这些点确定一个超抛物面,以抛物面的顶点替换+2个顶点中函数值最大的点.重复上述步骤,以期达到更好的点.数值试验表明,尽管收敛速度不理想,但算法还是可行的.