非線性優(yōu)化問題的一類共軛梯度算法研究.pdf_第1頁(yè)
已閱讀1頁(yè),還剩37頁(yè)未讀 繼續(xù)免費(fèi)閱讀

下載本文檔

版權(quán)說明:本文檔由用戶提供并上傳,收益歸屬內(nèi)容提供方,若內(nèi)容存在侵權(quán),請(qǐng)進(jìn)行舉報(bào)或認(rèn)領(lǐng)

文檔簡(jiǎn)介

1、對(duì)于非線性優(yōu)化問題尋找快速有效的算法一直是優(yōu)化專家們研究的熱門方向之一.經(jīng)理論證明和實(shí)踐檢驗(yàn),在所有需要計(jì)算導(dǎo)數(shù)的優(yōu)化方法中,最速下降法是最簡(jiǎn)單的,但它速度太慢;擬牛頓方法收斂速度較快,被廣泛認(rèn)為是非線性優(yōu)化最有效的方法之一; 1964年Fletcher和Reeves提出了求解無(wú)約束極小化問題的共軛梯度法<'[1]>,它是直接由Hesteness和Stiefel解線性方程組的共軛梯度法發(fā)展而來的,共軛梯度法具有占用內(nèi)存少,二次終止性和良

2、好的數(shù)值表現(xiàn)等優(yōu)點(diǎn),它的基本思想是把共軛性與最速下降方法相結(jié)合,經(jīng)常用來解決大規(guī)模問題.然而當(dāng)目標(biāo)函數(shù)為一般的非線性函數(shù)時(shí),即使在精確線搜索下,各共軛梯度法的收斂性也很難保證.在文獻(xiàn)[2]中Al-Baali證明了Fletcher-Reeves方法具有全局收斂性,文獻(xiàn)[5]推廣上述結(jié)果到非精確搜索即強(qiáng)wolfe線搜索的情形,但因其可能連續(xù)產(chǎn)生小步長(zhǎng)的性質(zhì)使得FR方法在數(shù)值計(jì)算中有時(shí)表現(xiàn)很差:PRP和HS方法是數(shù)值表現(xiàn)較好的兩種軛共梯度算法

3、,但是Powell在[3]中指出,即使使用精確線搜索Plak-Ribière-Polyak方法也不會(huì)有全局收斂性,但此方法具有良好的數(shù)值表現(xiàn)(詳見[13,19,33]).隨后有許多學(xué)者對(duì)這些算法的全局收斂性做了更深刻的研究, 1997年L.Grippo和S.Lucidi提出了 Grippo-Lucidi線搜索,并證明了在此線搜索下Plak-Ribière-Polyak方法的全局收斂性(參見[27,28]).1995年戴或虹和袁亞湘提出了

4、DY法,并對(duì)這一方法的全局收斂性和內(nèi)在性質(zhì)做了詳細(xì)的研究.DY方法具有很好的收斂性,Dai在文獻(xiàn)[10]中系統(tǒng)的介紹了DY方法在一般線搜索下的全局收斂性,但其數(shù)值表現(xiàn)一般.為尋求既能保證具有較好收斂性質(zhì)又具有良好數(shù)值表現(xiàn)的共軛梯度類算法,在前述文獻(xiàn)的基礎(chǔ)上本文給出了求解無(wú)約束非線性優(yōu)化問題的一類新的共軛梯度算法.?dāng)?shù)值實(shí)驗(yàn)表明此類算法是有效的. 論文整體安排如下: 在第一章中,我們首先簡(jiǎn)要介紹了最優(yōu)化問題的提出以及判斷最優(yōu)

溫馨提示

  • 1. 本站所有資源如無(wú)特殊說明,都需要本地電腦安裝OFFICE2007和PDF閱讀器。圖紙軟件為CAD,CAXA,PROE,UG,SolidWorks等.壓縮文件請(qǐng)下載最新的WinRAR軟件解壓。
  • 2. 本站的文檔不包含任何第三方提供的附件圖紙等,如果需要附件,請(qǐng)聯(lián)系上傳者。文件的所有權(quán)益歸上傳用戶所有。
  • 3. 本站RAR壓縮包中若帶圖紙,網(wǎng)頁(yè)內(nèi)容里面會(huì)有圖紙預(yù)覽,若沒有圖紙預(yù)覽就沒有圖紙。
  • 4. 未經(jīng)權(quán)益所有人同意不得將文件中的內(nèi)容挪作商業(yè)或盈利用途。
  • 5. 眾賞文庫(kù)僅提供信息存儲(chǔ)空間,僅對(duì)用戶上傳內(nèi)容的表現(xiàn)方式做保護(hù)處理,對(duì)用戶上傳分享的文檔內(nèi)容本身不做任何修改或編輯,并不能對(duì)任何下載內(nèi)容負(fù)責(zé)。
  • 6. 下載文件中如有侵權(quán)或不適當(dāng)內(nèi)容,請(qǐng)與我們聯(lián)系,我們立即糾正。
  • 7. 本站不保證下載資源的準(zhǔn)確性、安全性和完整性, 同時(shí)也不承擔(dān)用戶因使用這些下載資源對(duì)自己和他人造成任何形式的傷害或損失。

評(píng)論

0/150

提交評(píng)論