翁世有

（蘇州市職業(yè)大學(xué) 數(shù)理部 江蘇 蘇州 215104）

一、引言及參數(shù)的算法

針對(duì)無約束優(yōu)化問題

其中：f:Rn→R 是連續(xù)可微函數(shù)，其梯度函數(shù)△f(x)記為g(x)。共扼梯度法的迭代公式如下：

搜索方向要求dk是下降方向的，即

同時(shí)，認(rèn)為搜索方向滿足充分下降條件，當(dāng)且僅當(dāng)

目前，有許多不同的共軛梯度[1-2]：

其中，‖·‖為歐幾里得范數(shù)，yk=gk-gk-1。

許多學(xué)者針對(duì)同樣的問題(1)，提出不同的共軛梯度公式，進(jìn)而得到不同的共軛梯度法。Gilbert 和Noceda[3]， 張 麗[4]提 出 了 一 類 修 正 的Polak-Ribiere-Polyak (PRP) 共軛梯度法，這個(gè)梯度法也滿足了搜索方向dk為充分下降的性質(zhì)。韋增欣等[5]提出了一個(gè)修正的PRP 共軛梯度法，通常稱為Wei-Yao-Liu 共軛梯度法， 滿足了Gilbert 和Nocedal 中的性質(zhì)。本文基于Gilbert 和Nocedal 的混合CG 參數(shù)，提出一類新的共軛梯度法，該方法具有很好的收斂性質(zhì)和速度。

共軛的一種混合參數(shù)[6]有如下形式：

為了使參數(shù)βk(θk)更有效，給出一種混合參數(shù)θk的計(jì)算方法。對(duì)于一般的非線性函數(shù)，由均值定理可知：存在一個(gè)常數(shù)ξk∈[0，1] 使得

基于該方程和共軛梯度的定義，顯然有下面的等式條件成立：

由共軛梯度方法，βk(θk)作為它的參數(shù)如(1.6)，根據(jù)(1.8)有：

解此方程有得到參數(shù)θk：

由此得，混合梯度方法的CG 參數(shù)表示為：

二、全局收斂的證明

Wolfe 線搜索，它要求αk滿足wolfe 搜索準(zhǔn)則：

為證明算法全局收斂，需要如下引理：

引理1[7]設(shè)目標(biāo)函數(shù)f(x)下方有界，導(dǎo)數(shù)△f(x)滿足lipschitz 條件

對(duì)xk+1=xk+αkdk，其中dk滿足dTkgk＜0，步長(zhǎng)因子αk滿足wolfe 條件(2.1)和(2.2)，則有：

(2.4)通常稱Zoutendijk 條件。

定理1 設(shè)目標(biāo)函數(shù)H1：f(x)下方有界；H2：導(dǎo)數(shù)滿足lipschitz 條件：

步長(zhǎng)因子αk滿足wolfe 條件(2.1)和(2.2)，則由(1.9)表出的參數(shù)βNEWk使得算法滿足：

證明：利用反證法，若結(jié)論不成立，則存在常數(shù)ε＞0 使得

由

及-gTkgk-1＜0，有

由(2.2)

結(jié)合dTkgk＜-C‖gk‖2有

再由

兩端同時(shí)除以(gTkdk)2，

從而

當(dāng)βk＞0時(shí)，有

因此

又

進(jìn)而

得到，

綜上證明，由于(2.15)和(2.20)與Zoutendijk 條件相矛盾，故得證即新參數(shù)βNEWk的共軛梯度法在wolfe 條件下全局收斂。

三、數(shù)值檢驗(yàn)

系統(tǒng)環(huán)境win7 旗艦版32 位，處理器Intel(R)Pentium(R)；CPU G645 @ 2.90GHz；安 裝 內(nèi) 存4GB。運(yùn)用MATLAB，實(shí)現(xiàn)以下函數(shù)的共軛梯度求最小值。詳情函數(shù)如下：

統(tǒng)一σ=0.35，δ=0.9，α0=1

從表1 中5 個(gè)函數(shù)分別在PRP 參數(shù)，DY 參數(shù)和新的參數(shù)下的共軛梯度法的迭代次數(shù)和運(yùn)行時(shí)間可以看出，運(yùn)行時(shí)間相對(duì)減少，迭代次數(shù)相對(duì)降低，由此，本論文提出的混合型非線性共軛梯度法具有良好的計(jì)算效果，并且收斂速度快。

表1 各函數(shù)在不同參數(shù)共軛梯度下的迭代次數(shù)和CPUtime