导读:本文包含了无约束优化论文开题报告文献综述、选题提纲参考文献及外文文献翻译，主要关键词:梯度,无约束,方法,全局,算法,正则,共轭。
无约束优化论文文献综述
楚王莉,刘红卫,刘泽显[1]（2019）在《无约束优化的非单调叁次正则BB算法》一文中研究指出先利用BB(Barzilai-Borwein)类型参数构造目标函数Hessian矩阵的近似矩阵,通过极小化当前迭代点处的叁次正则化近似梯度模型求解试探步,再结合非单调线搜索策略提出一个非单调叁次正则BB算法,最后给出算法的收敛性证明.数值实验结果表明,该算法数值性能良好.(本文来源于《吉林大学学报(理学版)》期刊2019年06期）
唐天国[2]（2019）在《一种求解无约束优化问题的新混合共轭梯度法》一文中研究指出在现有共轭梯度方法的基础上,提出一种新混合共轭梯度法来求解无约束最优化问题.该方法采用近似方法去逼近Hessen矩阵,克服了传统牛顿法求解Hessen矩阵中存在的计算量大等问题,并在强wolfe线搜索技术下给出该共轭梯度算法的全局收敛性证明.实验结果表明,与PRP(Polak-Ribiere-Polyak)方法和HYBRID(混合)方法相比较,该文提出的新混合共轭梯度算法的迭代时间少于前两者方法,说明该文方法可行、有效.(本文来源于《西南师范大学学报(自然科学版)》期刊2019年09期）
夏福全,陈龙卫[3]（2019）在《求解非线性无约束优化问题的新共轭梯度算法》一文中研究指出提出一类新的解无约束优化问题的共轭梯度法,将搜索方向由满足一个共轭条件变为满足多个共轭条件,从而充分利用前面迭代点信息;证明了新算法的全局收敛性。实验结果表明,新算法在求解非线性无约束优化问题具有一定研究价值。(本文来源于《荆楚理工学院学报》期刊2019年03期）
郭晓雯,杨鼎强[4]（2019）在《单一货物摆放无约束叁维装箱优化方法》一文中研究指出在对货物物流的过程中,需要将物流的高效性、准时性以及经济性进行紧密的连接,在对货物进行装箱的时候也需要将各个环节进行无缝的连接。在货物进行装箱的时候,传统解法计算工作量大、不易掌握且装箱效率低,为了克服问题提出新的优化解法,本文提出单一货物摆放无约束叁维优化装箱解法,虽比前者复杂些,但可进一步提高装箱优化程度。它先对最底层的两种组合分别线性规划求解,然后在二者中择优,在此基础上再对货箱叁个维度分别规划求解,得出优化装箱方案。(本文来源于《信息通信》期刊2019年06期）
赵逸翔[5]（2019）在《基于BP神经网络的无约束优化方法研究及应用》一文中研究指出BP神经网络模型是目前应用最广泛的多层前馈神经网络之一,具有自适应、自主学习,较强的非线性映射能力和较强的泛化能力等优点。理论证明,当隐含层神经元数足够多时BP神经网络只需叁层结构就可拟合各种复杂的非线性函数。在实际应用中,人们期望得到一个输入值,以使输出取得极值,即基于BP神经网络的优化问题。现有文献一般采用梯度法或拟牛顿法求解基于BP神经网络无约束优化问题,但梯度法与拟牛顿法在求解过程中易出现局部收敛现象,从而陷入局部最优,无法得到全局最优解。遗传算法是一种自适应全局优化概率搜索算法,其在搜索过程中能够在解空间中同时进行多点搜索,计算速度高且能避免算法陷入局部最优保证计算的准确性。因此,该文首次提出了基于BP神经网络无约束优化问题的遗传算法,并将其与传统的梯度法及拟牛顿法进行比较分析,结果表明使用遗传算法求解基于BP神经网络的无约束优化问题效果更优且计算速度较快。在此基础上,应用该文提出的基于BP神经网络无约束优化问题的遗传算法优化了黑龙江省大豆种植密度和施肥量。主要研究工作如下:(1)该文对标准BP神经网络的原理与结构进行了深入研究并进行了BP算法的推导,分析了基于BP神经网络的无约束优化问题的梯度法、拟牛顿法操作原理及算法步骤,发现其在求解过程中易陷入局部最优。(2)为克服梯度法和拟牛顿法在求解基于BP神经网络无约束优化问题时易陷入局部最优的问题,提出了基于BP神经网络无约束优化问题的遗传算法,并针对这叁种基于BP神经网络的无约束优化方法进行了测试分析与比较,结果表明:基于BP神经网络的叁种无约束优化方法均可求出BP神经网络输入何值时取得近似最优解。但基于BP神经网络无约束优化问题的遗传算法对于含有多个局部极值点的目标函数具有更快的速度,更高的运算效率,并且可以避免陷入局部极值点。(3)应用该文提出的基于BP神经网络无约束优化问题的遗传算法优化了黑龙江省大豆种植密度和施肥量。(本文来源于《东北农业大学》期刊2019-06-01）
李鑫[6]（2019）在《基于无约束优化EMD的图像融合方法研究》一文中研究指出随着多源图像数据应用范围的扩大,通过图像融合进行准确、快速地获取多视角信息的需求不断增加。经验模态分解(Empirical Mode Decomposition,EMD)是一种多尺度的自适应分解方法,非常有利于处理非线性、非平稳信号。该方法被认为是信号处理和分析领域的一个重要革新,受到了国内外研究者的广泛关注。由于经验模态分解方法能够高效表示图像不同尺度的特征信息,因此用其进行图像融合,有利于提高图像融合的质量。本文针对基于EMD的图像融合方法进行研究,提出了一种采用基于Delaunay叁角化的二维无约束优化EMD进行图像融合的方法。方法能够很好地保持多源图像的细节特征,并在融合过程中通过适当的增强系数对融合结果进行增强处理,能够得到更高质量的融合图像。本文的具体工作如下:(1)提出了一种基于Delaunay叁角化的二维无约束优化EMD方法。方法首先对二维图像极值点重新定义,然后对定义的极值点进行Delaunay叁角化构建无约束的优化模型对图像进行迭代分解,能够将原始图像自适应分解为尺度从细到粗的模态图像和一个余量图像。实验结果表明该方法较原始的二维无约束优化EMD方法具有更强的细节获取能力,能够更好地体现原始图像的不同尺度特征。(2)提出了一种基于无约束优化EMD的图像融合方法。方法利用基于Delaunay叁角化的二维无约束优化EMD方法将待融合图像进行分解,再将相同层次下的模态图像和余量图像根据特定的融合准则进行融合,并在融合过程中采用适当的增强系数对不同尺度的模态图像和余量图像进行增强处理,能够得到更高质量的融合图像。通过对多聚焦图像、多光谱与全色图像、CT与MRI图像等典型图像进行实验,结果表明本文方法取得了较好的效果。(本文来源于《东北电力大学》期刊2019-05-01）
杨环萑[7]（2019）在《多目标无约束优化问题的算法研究》一文中研究指出多目标优化问题是将两个或者两个以上的目标函数同时取得最优解的优化问题。它与单目标优化问题不同,它是一组多解优化问题,且这组解是均衡解。为了研究这个特性,我们在本文中,主要研究了关于非单调多目标无约束优化问题的几种算法。将非单调线搜索技术,自适应叁次正则化等方法融入到多目标问题中,同时,我们研究了不同信赖域半径的更新方法,提出了几种新型的算法来研究多目标优化问题,并研究了其算法的全局收敛性质。具体工作如下:首先,将非单调Armijo型线搜索与信赖域方法结合,得到了针对多目标函数优化的非单调信赖域算法。新算法可以有效减少迭代次数和试探步,从而提高了算法的计算效率。同时我们证明了其收敛性。其次,将自适应叁次正则化方法应用到多目标优化问题中。该算法是基于计算叁次正则化目标函数过度估计的近似全局最小值的策略。同时有效地降低了算法的复杂度。在一些标准的假设条件下,我们证明了其全局收敛性。第叁,将信赖域方法与非单调形式R_k相结合,得到一种新的非单调信赖域算法。在新算法中,非单调技术与信赖域半径更新方法的使用,使得信赖域子问题往往需要大量重解的难题得以解决。最后,总结归纳了本文所提出的几种算法,并展望了优化课题的进一步的延续、拓展。(本文来源于《河北大学》期刊2019-05-01）
王亚静[8]（2019）在《解决无约束优化问题的几种新算法》一文中研究指出信赖域算法是求解无约束优化问题的一类主要解决方法。在传统的信赖域算法中,信赖域半径的选取通常是根据以往经验来确定的,因此具有一定的盲目性。为了克服上述缺陷,研究学者们提出了自适应技术和回溯技术。本文针对无约束优化问题,在回溯技术和自适应技术的基础上,加入了非单调策略,提出了非单调自适应信赖域算法、新的非单调回溯自适应信赖域算法和非单调回溯自适应叁次正则化算法,并在相应的条件下证明了算法的全局收敛性。本文的主要工作如下:首先,本文将自适应技术和非单调技术应用到信赖域算法中,提出了非单调自适应信赖域算法,并研究了算法性质。其次,在回溯自适应信赖域算法的研究基础上,本文引进了非单调项T_k,并定义了两个新的非单调比率r_k+1~NR和r_k~(NB),从而提出了一种求解无约束优化问题的新算法,并证明了其全局收敛性。最后,本文将非单调项f_(l(k))加入到了回溯自适应叁次正则化算法中,在合适的条件下,证明了算法的收敛性。(本文来源于《河北大学》期刊2019-05-01）
张俊男[9]（2019）在《一类非光滑无约束DC优化问题的重分配束方法》一文中研究指出对于求解非光滑优化问题,束方法已经展示出非常高的有效性.束方法在保证目标函数值下降的同时又具有一定的稳定性,已经被成功应用到许多领域.该方法的特点在于建立一个信息束用于保留已有的迭代信息,即束方法记住了到目前为止得到的最好的迭代点,在每次迭代过程中都保留着这个最好的点,在此基础之上继续寻找所研究问题的最优解.本文我们主要研究求解一类无约束DC优化问题的重分配迫近束方法,该方法充分利用DC成分中特有的结构信息,构造目标函数的凸分片线性模型,克服目标函数的非凸性带来的难题.进一步运用对偶定理将原子问题与对偶子问题相互转化,分别求出它们的最优解,进而得到下一个迭代点,同时又进一步研究了子问题解的表达式,在此基础之上提出重分配迫近束方法的具体算法.最后,对所提出的重分配迫近束方法的收敛性进行了详细的理论分析.本文主要以重分配迫近束方法思想为基础,在每次迭代过程中,适当选取凸化参数η~k将目标函数局部凸化,将一类非凸DC优化问题转化成一类凸优化子问题进行求解.全文分为叁部分,主要内容如下:第一章,首先介绍了DC规划问题的历史背景与研究现状,并给出有关DC函数的基本概念.接下来,本章详细介绍了求解非光滑优化问题的几种方法,这些方法包括:最速下降法、次梯度法、切平面方法及一般束方法.最后,为了使读者更好地理解本文整体框架,本章还给出与本文密切相关的预备知识与相关结论,与此同时,也为第二章和第叁章中问题的深入研究奠定理论基础.第二章,首先介绍了重分配迫近束方法的基本思想,并针对DC优化问,利用重分配迫近束方法思想构造DC函数的一个凸分片线性模型,在此基础上构造了产生下一个迭代点的惩罚子问题,通过子问题的最优性条件,给出子问题最优解的显示表达和基本性质.进一步采用对偶空间的思想研究子问题的解的情况,揭示原始子问题与对偶问题之间的关系.最后给出集线性化等相关定义,为下一章的算法收敛性分析做准备.第叁章,在前一部分内容基础之上给出求解无约束DC优化问题的重分配迫近束算法.与此同时,详细展开对算法的深入分析,包括算法的收敛性分析与相关结论的证明.在收敛性分析这一部分,主要分两种情形进行讨论,情形一:算法产生无限多下降步,情形二:算法产生最后一个下降步,之后是无限多零步.从这两方面出发,分别研究本文所提出的重分配迫近束方法的收敛情况.(本文来源于《辽宁师范大学》期刊2019-04-01）
孙颖异,李健,孙中波,王增辉[10]（2019）在《求解无约束优化问题的两类修正的WYL共轭梯度方法》一文中研究指出针对无约束优化问题,通过修正共轭梯度参数,构造新的搜索方向,提出两类修正的WYL共轭梯度法.在每次迭代过程中,两类算法产生的搜索方向均满足充分下降性.在适当条件下,证明了算法的全局收敛性.数值结果表明算法是可行的和有效的.(本文来源于《应用数学》期刊2019年02期）
无约束优化论文开题报告
（1）论文研究背景及目的
此处内容要求：
首先简单简介论文所研究问题的基本概念和背景，再而简单明了地指出论文所要研究解决的具体问题，并提出你的论文准备的观点或解决方法。
写法范例：
在现有共轭梯度方法的基础上,提出一种新混合共轭梯度法来求解无约束最优化问题.该方法采用近似方法去逼近Hessen矩阵,克服了传统牛顿法求解Hessen矩阵中存在的计算量大等问题,并在强wolfe线搜索技术下给出该共轭梯度算法的全局收敛性证明.实验结果表明,与PRP(Polak-Ribiere-Polyak)方法和HYBRID(混合)方法相比较,该文提出的新混合共轭梯度算法的迭代时间少于前两者方法,说明该文方法可行、有效.
（2）本文研究方法
调查法：该方法是有目的、有系统的搜集有关研究对象的具体信息。
观察法：用自己的感官和辅助工具直接观察研究对象从而得到有关信息。
实验法：通过主支变革、控制研究对象来发现与确认事物间的因果关系。
文献研究法：通过调查文献来获得资料，从而全面的、正确的了解掌握研究方法。
实证研究法：依据现有的科学理论和实践的需要提出设计。
定性分析法：对研究对象进行“质”的方面的研究，这个方法需要计算的数据较少。
定量分析法：通过具体的数字，使人们对研究对象的认识进一步精确化。
跨学科研究法：运用多学科的理论、方法和成果从整体上对某一课题进行研究。
功能分析法：这是社会科学用来分析社会现象的一种方法，从某一功能出发研究多个方面的影响。
模拟法：通过创设一个与原型相似的模型来间接研究原型某种特性的一种形容方法。
无约束优化论文参考文献
[1].楚王莉,刘红卫,刘泽显.无约束优化的非单调叁次正则BB算法[J].吉林大学学报(理学版).2019
[2].唐天国.一种求解无约束优化问题的新混合共轭梯度法[J].西南师范大学学报(自然科学版).2019
[3].夏福全,陈龙卫.求解非线性无约束优化问题的新共轭梯度算法[J].荆楚理工学院学报.2019
[4].郭晓雯,杨鼎强.单一货物摆放无约束叁维装箱优化方法[J].信息通信.2019
[5].赵逸翔.基于BP神经网络的无约束优化方法研究及应用[D].东北农业大学.2019
[6].李鑫.基于无约束优化EMD的图像融合方法研究[D].东北电力大学.2019
[7].杨环萑.多目标无约束优化问题的算法研究[D].河北大学.2019
[8].王亚静.解决无约束优化问题的几种新算法[D].河北大学.2019
[9].张俊男.一类非光滑无约束DC优化问题的重分配束方法[D].辽宁师范大学.2019
[10].孙颖异,李健,孙中波,王增辉.求解无约束优化问题的两类修正的WYL共轭梯度方法[J].应用数学.2019
论文知识图
