简介:为求解大规模无约束优化问题,本文提出了一种自适应线性信赖域法。与传统的线性信赖域法相比,新方法借助一数量矩阵近似Hesse阵,并据此计算线性信赖域半径。理论上证明了新算法的全局收敛性,数值实验表明新算法非常适合大规模问题的求解。
简介:本文给出了一个求解无约束优化问题的带记忆信赖域算法,并分析了其全局收敛性.
简介:本文提出了一类带不等式约束和简单边界的非线性优化问题的非单调信赖域算法,在一定的条件下,证明了算法的全局收敛性,并通过数值实验验证了算法的合理性。
简介:信赖域方法是解决无约束优化问题的一类有效的方法,而求解信赖域子问题又是信赖域方法的一个重要的组成部分。在本文中,我们首先介绍Hager的序列子空间方法,并分析了对于不同的子空间序列,该算法所具有的性质。随后我们在以上分析的启发下,给出SSM算法的一种改进算法,改进后的算法不仅是全局收敛的,而且进一步减少了矩阵运算量。最后我们给出一些初步的数值试验报告。
简介:通过对现有灰色关联度模型及算法的分析,首次提出了角度化灰色T型关联度模型。在分段线性表示的基础上,使用相邻线段间的夹角构成的角度序列近似表示时间序列,并给出了相关灰色关联系数和灰色关联度的计算方法。角度化灰色T型关联度模型不仅能够反映序列的正负相关关系,并且满足对称性、唯一性、可比性和规范性等性质。最后,通过实证分析证明了该模型的实用性和有效性。
基于线性模型的自适应信赖域方法
带记忆信赖域方法的收敛性分析
一类优化问题的非单调信赖域算法
解决大规模信赖域子问题的一种新算法
角度化灰色T型关联度模型及应用研究