景书杰,王慧婷,牛海峰,陈 耀

(河南理工大学数学与信息科学学院,河南焦作 454000)

1 引言

考虑如下无约束优化问题

其中f(x)是Rn−→R上的连续可微函数,用非线性共轭梯度法求解无约束优化问题(1.1),点列{xk}的迭代格式为

这里的αk为步长.本文选用精确线搜索计算αk,即每步迭代中选择αk满足

选取步长因子αk最好的方法就是使目标函数沿着搜索方向dk达到极小,从理论上来说,精确线搜索所得到的步长因子有着最好的下降量.例如Zoutendijk[1]证明了采取精确线搜索的FR方法对一般非凸函数总收敛;从文献[2]中的结果可知用精确线搜索的PRP方法对一致凸函数全局收敛;Rivaie[3]提出了一个新算法在精确线搜索下有更好的结果.

搜索方向dk的迭代格式为

其中gk=▽f(xk),如果用θk表示向量dk与−gk的夹角,则有

这里的βk为一标量,著名的βk公式有(可参看文献[4–8])

其中‖·‖表示欧式范数.通常情况下,FR和DY方法有很好的收敛性,而PRP和HS方法却有很好的数值效果.学者们为了寻找既能保证收敛性又可以有良好数值效果的算法,在以上公式的基础上,一方面对βk进行改进例如文献[3,9,10],另一方面将不同的βk公式进行混合[11–13].最近,文献[3]中给出了一个新的参数公式

并得到了该算法在精确线搜索下的全局收敛性.受文献[12]的启发,取βNewk为

其中µ为参数且0＜µ≤1.

2 算法及其性质

本文讨论一种新的混合共轭梯度法,其中

算法A步骤1给定ε＞0,x1∈Rn,0＜µ≤1,d1=−g1,k:=1.

步骤2若‖gk‖＜ε,则停止;否则转步骤3.

步骤3由精确线搜索计算步长αk,使其满足(1.3)式.

步骤4令xk+1=xk+αkdk,求gk+1,并用(2.1)式试求βk+1.

步骤5令dk+1=−gk+1+βk+1dk,令k=k+1;转步骤……