导读:本文包含了超记忆梯度法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,记忆,步长,无约束,线性,全局,单调。
超记忆梯度法论文文献综述
苏珂,任乐乐,荣自兴,许春[1]（2018）在《无约束优化的修正非单调记忆梯度法》一文中研究指出针对无约束优化问题提出了一种修正的非单调记忆梯度法,该修正的非单调技术利用前若干个点的凸组合得到一个参照量,然后将试探点的函数值与该参照量进行灵活比较,从而决定该试探点是否被接受.该算法是现有非单调方法的一个推广,在合理的假设条件下,得到了算法的全局收敛性.数值实验结果表明,该算法是有效且易于实现的.(本文来源于《河北大学学报(自然科学版)》期刊2018年06期）
李文婷,徐尔[2]（2016）在《改进的无约束多目标优化记忆梯度法》一文中研究指出基于无约束单目标记忆梯度法,提出了一种改进的无约束多目标优化问题的记忆梯度法,采用Amijo非精确线搜索产生步长,并证明了算法的收敛性.数值试验表明该算法是有效的.(本文来源于《西南师范大学学报(自然科学版)》期刊2016年11期）
李双安,陈凤华,赵艳伟[3]（2017）在《超记忆梯度法在大规模信号重构问题中的应用》一文中研究指出研究了用基于非单调线搜索技术的超记忆梯度算法解决大规模信号恢复问题。利用平滑切片绝对偏差惩罚函数(SCAD)代替1正则化最小二乘问题的1范数惩罚函数,因SCAD的一个局部二次逼近是凸且可微的,所以目标函数的梯度和海瑟阵易计算。该算法的特点:每一步迭代充分利用前面多步迭代信息,避免目标函数海瑟阵的储存和计算,因此它适合解决大规模信号恢复问题。在某些假设下,证明了提出算法的收敛性,数值实验表明本文提出的算法是可行的。(本文来源于《山东大学学报(理学版)》期刊2017年01期）
胡勇,韩立国,张盼,白璐,张天泽[4]（2016）在《混合超记忆梯度法多尺度全波形反演》一文中研究指出超记忆梯度类优化算法具有全局收敛性和超线性收敛速度,计算内存需求小,适合求解大规模无约束优化问题。将超记忆梯度类优化算法应用到全波形反演中,结合超记忆梯度类方法优点,提出混合超记忆梯度法全波形反演策略,并给出详细的实施流程。数值试算结果表明,混合超记忆梯度法优于共轭梯度法。含不同强度噪声的地震数据及不同精度初始模型的反演结果表明,混合超记忆梯度法反演精度较高。反演效率分析结果表明,混合超记忆梯度法反演耗时较短,证明了该混合策略在全波形反演应用中有一定的优势。(本文来源于《石油物探》期刊2016年04期）
贾胜南[5]（2016）在《非光滑凸优化的一种无记忆梯度法》一文中研究指出基于Moreau-Yosida正则化和改进的线搜索技术,本文提出了一种新的无记忆梯度法用于解决无约束非光滑凸优化问题.在合理的假设条件下,该算法具有全局收敛性.初步的数值试验结果表明这种算法是比较有效的.(本文来源于《海南大学》期刊2016-05-01）
李双安,陈凤华,程慧燕[6]（2015）在《一个新的超记忆梯度法及全局收敛性》一文中研究指出文章提出了一个新的超记忆梯度法解决无约束优化问题.该算法沿着目标函数的下降方向进行搜索,每步迭代提出的算法都充分地利用了前面多步迭代信息,避免目标函数海瑟阵的储存和计算,因此它适合解决大规模无约束优化问题.在适当的假设条件下,证明了所提出的算法具有全局收敛性.数值实验表明此算法的可行性.(本文来源于《海南师范大学学报(自然科学版)》期刊2015年03期）
刘元文,欧宜贵,马巍[7]（2015）在《一个基于定步长技术的超记忆梯度法》一文中研究指出基于定步长技术,本文给出一种求解无约束优化问题的超记忆梯度算法,从而避免每步都执行线搜索.在一定条件下证明该算法具有全局收敛性和局部线性收敛率.由于该方法不用计算和存储矩阵,故适合于求解大规模优化问题.数值试验表明该算法是有效的.(本文来源于《应用数学》期刊2015年01期）
范开林,徐尔[8]（2014）在《无约束多目标优化的记忆梯度法》一文中研究指出基于无约束单目标记忆梯度法,本文提出了一种无约束多目标优化问题的记忆梯度法,并证明了算法在Armijo线性搜索下的收敛性。数据试验结果验证了该算法的有效性。(本文来源于《运筹与管理》期刊2014年03期）
汤京永,田会宇[9]（2013）在《一个新的求解无约束优化问题的超记忆梯度法》一文中研究指出提出一个新的求解无约束优化问题的超记忆梯度法.该算法在每步迭代中充分利用前面迭代点的信息产生下降方向,利用曲线搜索产生步长,并且在每步迭代中不需计算和存储矩阵,适于求解大规模优化问题.在较弱的条件下证明了算法具有全局收敛性和线性收敛速度.数值实验表明该算法是有效的.(本文来源于《信阳师范学院学报(自然科学版)》期刊2013年03期）
马巍[10]（2013）在《无约束优化问题的超记忆梯度法的若干研究》一文中研究指出本文结合定步长技术和非单调技术,分别构造了两种求解无约束优化问题的超记忆梯度法,分别记为算法A、算法B.在算法A中,我们通过一个固定的公式来计算步长,并加入了回溯线搜索技术,因而减小了迭代次数以及函数值计算次数；在算法B中,我们对传统的非单调技术进行了改进,使之能更适合求解大规模的无约束优化问题.在适当的假设条件下,两种算法皆具有全局收敛性。数值试验表明两种算法皆是切实可行的。(本文来源于《海南大学》期刊2013-04-01）
超记忆梯度法论文开题报告
（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：
基于无约束单目标记忆梯度法,提出了一种改进的无约束多目标优化问题的记忆梯度法,采用Amijo非精确线搜索产生步长,并证明了算法的收敛性.数值试验表明该算法是有效的.
（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。
超记忆梯度法论文参考文献
[1].苏珂,任乐乐,荣自兴,许春.无约束优化的修正非单调记忆梯度法[J].河北大学学报(自然科学版).2018
[2].李文婷,徐尔.改进的无约束多目标优化记忆梯度法[J].西南师范大学学报(自然科学版).2016
[3].李双安,陈凤华,赵艳伟.超记忆梯度法在大规模信号重构问题中的应用[J].山东大学学报(理学版).2017
[4].胡勇,韩立国,张盼,白璐,张天泽.混合超记忆梯度法多尺度全波形反演[J].石油物探.2016
[5].贾胜南.非光滑凸优化的一种无记忆梯度法[D].海南大学.2016
[6].李双安,陈凤华,程慧燕.一个新的超记忆梯度法及全局收敛性[J].海南师范大学学报(自然科学版).2015
[7].刘元文,欧宜贵,马巍.一个基于定步长技术的超记忆梯度法[J].应用数学.2015
[8].范开林,徐尔.无约束多目标优化的记忆梯度法[J].运筹与管理.2014
[9].汤京永,田会宇.一个新的求解无约束优化问题的超记忆梯度法[J].信阳师范学院学报(自然科学版).2013
[10].马巍.无约束优化问题的超记忆梯度法的若干研究[D].海南大学.2013