无约束优化:带线搜索的非单调自适应信赖域算法
197 浏览量
更新于2024-09-05
收藏 176KB PDF 举报
"景书杰和苗荣在河南理工大学提出的新的无约束最优化算法,该算法结合了非单调性和自适应策略,旨在解决无约束优化问题。他们设计了一种带线搜索的非单调自适应信赖域算法,通过采用Wolfe线搜索策略,当试验步失败时不重新解信赖域子问题,从而减少了计算复杂性。此外,他们在适当的理论框架下证明了新算法具备全局收敛性。该工作发表于2012年,属于数值优化领域的研究,对提高无约束优化问题的求解效率有重要贡献。"
在无约束最优化问题中,信赖域方法是一种广泛应用的数值方法,其核心思想是在每一步迭代中,将原问题转化为一个在某个“信赖域”内的二次近似子问题来求解。传统的信赖域算法通常基于单调性原则,即每次迭代后的函数值必须比前一步有所降低。然而,在某些情况下,这样的策略可能导致迭代过程过于保守,增加了计算成本。
景书杰和苗荣提出的非单调自适应信赖域算法打破了这一限制,引入了非单调性规则,允许在某些迭代步中函数值的轻微上升,以换取更大的步长和更快的全局收敛速度。同时,算法还包含自适应特性,即根据试验步的结果动态调整信赖域大小和搜索方向。当试验步未达到预设的下降条件时,他们采用了Wolfe线搜索策略,而不是重新解子问题,这在一定程度上降低了计算负荷,提高了算法效率。
线搜索是优化算法中的关键组成部分,Wolfe条件是一种常用的线搜索策略,它确保了步长选择的足够大以保证函数值的下降,同时要求梯度的内积满足一定的条件,以确保步长不会过长导致函数值的快速上升。结合Wolfe线搜索,新算法能够在保持全局收敛性的前提下,有效地平衡步长选取和下降要求。
论文证明了在一定的假设条件下,这种新算法能够全局收敛到极小值点,这意味着无论初始点如何选择,算法都将逐渐接近目标函数的最小值。这对于实际应用来说是至关重要的,因为许多实际问题的初始点往往是未知的或者难以确定的。
这项工作为无约束最优化问题提供了一个计算效率更高、适应性更强的解决方案,对于数值优化理论及其实现具有重要的实践意义。它不仅丰富了信赖域方法的理论体系,也为实际问题的求解提供了新的工具。
2021-04-26 上传
2021-06-16 上传
2023-12-10 上传
2023-05-24 上传
2023-05-25 上传
2023-05-25 上传
2024-03-24 上传
2023-06-10 上传
2023-05-25 上传
weixin_38680247
- 粉丝: 4
- 资源: 922
最新资源
- JavaScript DOM事件处理实战示例
- 全新JDK 1.8.122版本安装包下载指南
- Python实现《点燃你温暖我》爱心代码指南
- 创新后轮驱动技术的电动三轮车介绍
- GPT系列:AI算法模型发展的终极方向?
- 3dsmax批量渲染技巧与VR5插件兼容性
- 3DsMAX破碎效果插件:打造逼真碎片动画
- 掌握最简GPT模型:Andrej Karpathy带你走进AI新时代
- 深入解析XGBOOST在回归预测中的应用
- 深度解析机器学习:原理、算法与应用
- 360智脑企业内测开启,探索人工智能新场景应用
- 3dsmax墙砖地砖插件应用与特性解析
- 微软GPT-4助力大模型指令微调与性能提升
- OpenSARUrban-1200:平衡类别数据集助力算法评估
- SQLAlchemy 1.4.39 版本特性分析与应用
- 高颜值简约个人简历模版分享