解大规模优化问题的锥模子共轭梯度法.pdf

南京航空航天大学硕士学位论文 摘 要 锥模型是二次模型的推广，有更多的自由度，共轭梯度法算法简便，是解大规模非线性优 化问题最有效的算法之一，两者结合能发挥更好的优势。目前的锥模型共轭梯度法一般都是先 把锥模型近似转化为二次模型后，再通过用二次模型的方法对转化后的二次模型进行求解，最 后相应地得到锥模型共轭梯度法的最优解。但在近似转化过程中有可能会失去锥函数的一些特 性。因此本文主要研究工作是舍弃目前算法中锥模型对二次模型的转化依赖，将水平向量作为 搜索方向的一个部分，并与经典共轭梯度法中的搜索方向相结合，从锥模型自身出发，提出了 新的解大规模优化问题的锥模型共轭梯度法及其改进算法，证明了新算法的全局收敛性，进行 了数值比较实验。 论文共分五章。第一章简要介绍了最优化的相关问题及本文研究的问题。第二章对锥模型 共轭梯度法及其相关内容的研究进展情况进行了简要介绍。第三章给出了本文中新锥模型共轭 梯度法搜索方向的构造依据和构造方法，分析其下降性，并讨论其中的参数选取。在第四章中， 我们利用经典共轭梯度法的框架进行迭代，提出了求解大规模优化问题的新锥模型共轭梯度法 算法，并引入相关判断准则，给出了新算法的改进算法，证明了新算法的全局收敛性。在第五 章中，我们对第四章中提出的新算法及其改进算法进行数值比较实验，分析数值结果，得出相 关结论。理论与数值实验结果表明本文提出的算法是一个值得关注的有效算法。 关键词：无约束优化，锥模型，共轭梯度法，全局收敛性，大规模问题 I 解大规模优化问题的锥模型共轭梯度法 Abstract Conic model is a generalization of quadratic model. Conjugate gradient method is one of the most effective methods for large-scale optimization. The combination of conic model and conjugate gradient techniques may form more powerful methods. The present conic conjugate gradient methods are processed generally by the following steps: at first we approximately change the conic model into the quadratic model, and then solve the quadratic model by many previous quadratic model algorithms, and finally get the optimal solution with the conic model. Maybe it could overlook the qualities of conic function in the process of approximative change. So we mainly study a new conic conjugate gradient algorithm and its modified algorithm without this change in the paper. The search direction of the new algorithm takes the horizon vector as a part of it and refers to the search direction of classic conjugate gradient methods. We