修正 LS 共轭梯度方法及其收敛性

赛?闹尔再,张慧玲

doi:10.13718/j.cnki.xsxb.2016.07.004

西南师范大学学报(自然科学版)

留言板

尊敬的读者、作者、审稿人, 关于本刊的投稿、审稿、编辑和出版的任何问题, 您可以本页添加留言。我们将尽快给您答复。谢谢您的支持!

姓名
	姓名不能为空！
邮箱
	邮箱不能为空！非法的邮箱地址。
手机号码
	电话不能为空！请输入有效手机号!
标题
	标题不能为空！
留言内容
	内容不能为空！
验证码
	验证码不能为空！验证码错误！

修正 LS 共轭梯度方法及其收敛性

赛?闹尔再,张慧玲. 修正 LS 共轭梯度方法及其收敛性[J]. 西南师范大学学报(自然科学版), 2016, 41(7). doi: 10.13718/j.cnki.xsxb.2016.07.004

引用本文:

赛?闹尔再,张慧玲. 修正 LS 共轭梯度方法及其收敛性[J]. 西南师范大学学报(自然科学版), 2016, 41(7). doi: 10.13718/j.cnki.xsxb.2016.07.004

SAI Nao Erzai,ZHANG Hui-ling. On Modified LS Conjugate Gradient Method with Its Global Convergence[J]. Journal of Southwest China Normal University(Natural Science Edition), 2016, 41(7). doi: 10.13718/j.cnki.xsxb.2016.07.004

Citation:

SAI Nao Erzai,ZHANG Hui-ling. On Modified LS Conjugate Gradient Method with Its Global Convergence[J]. Journal of Southwest China Normal University(Natural Science Edition), 2016, 41(7). doi: 10.13718/j.cnki.xsxb.2016.07.004

修正 LS 共轭梯度方法及其收敛性

赛?闹尔再,张慧玲

新疆巴音郭楞职业技术学院公共教育学院,新疆库尔勒,841000

On Modified LS Conjugate Gradient Method with Its Global Convergence

SAI Nao Erzai,ZHANG Hui-ling

摘要: 提出了一种有效的修正LS共轭梯度方法。该方法在每一步迭代中均产生一个充分下降方向，且不依赖于任何线搜索。在强 Wolfe线搜索下，讨论了新方法对一般目标函数的全局收敛性。最后，与著名的 PRP方法、CG‐DESCENT方法比较，大量的数值试验表明，修正LS共轭梯度方法对给定的测试问题是有效的。
- 无约束最优化 /
- 非线性共轭梯度方法 /
- 强Wolfe线搜索 /
- 全局收敛性
Abstract: In this paper ,an efficient conjugate gradient method has been proposed based on the famous LS method .The search direction of the proposed method has the sufficient descent property ,which is inde‐pendent of any line search .Its global convergence for general functions under strong Wolfe line search has been discussed .Finally ,the numerical results show that the efficiency of the proposed method is encoura‐ging by comparing with PRP method and CG‐DESCENT method .
- unconstrained optimization；nonlinear conjugate gradient method；strong Wolfe line search；global convergence /

计量

文章访问数: 558
HTML全文浏览数: 376
PDF下载数: 2
施引文献: 0

修正 LS 共轭梯度方法及其收敛性

赛?闹尔再,张慧玲

新疆巴音郭楞职业技术学院公共教育学院,新疆库尔勒,841000

关键词:

摘要: 提出了一种有效的修正LS共轭梯度方法。该方法在每一步迭代中均产生一个充分下降方向，且不依赖于任何线搜索。在强 Wolfe线搜索下，讨论了新方法对一般目标函数的全局收敛性。最后，与著名的 PRP方法、CG‐DESCENT方法比较，大量的数值试验表明，修正LS共轭梯度方法对给定的测试问题是有效的。