diff --git a/GCTL_logo.jpg b/GCTL_logo.jpg
new file mode 100644
index 0000000..80cc016
Binary files /dev/null and b/GCTL_logo.jpg differ
diff --git a/README.md b/README.md
index eaecad9..581999e 100644
--- a/README.md
+++ b/README.md
@@ -1,17 +1,391 @@
-## lcg_solver 共轭梯度求解器
-### 求解器参数设置
-#### 1. 从toml文件读取参数
+![logo](GCTL_logo.jpg)
 
-用户可以从toml文件中读取并设置求解器参数。所有的参数都定义在名为lcg的顶级表格下，可设置的参数及类型如下所示：
+# GCTL Optimization Library
+
+> **注意**: 本文档由 Cursor AI 自动生成。文档中的函数名称、参数和用法说明可能存在错误，请以头文件（`.h`）中的实际函数声明为准。如发现任何不一致，请以源代码为准。
+
+GCTL Optimization Library 是一个高效的数值优化算法库，提供了多种优化算法实现和求解器。该库是 Generic Scientific Template Library (GSTL) 的一部分。
+
+## 主要特性
+
+- 多种优化算法实现
+  - LCG (Linear Conjugate Gradient): 线性共轭梯度法
+  - CLCG (Complex Linear Conjugate Gradient): 复数域线性共轭梯度法
+  - L-BFGS (Limited-memory BFGS): 限制内存BFGS算法
+  - SGD (Stochastic Gradient Descent): 随机梯度下降
+  - LGD (Lévy Gradient Descent): 基于Lévy飞行的随机搜索方法，具有全局收敛性
+  - SVD (Singular Value Decomposition): 奇异值分解
+
+- 矩阵分解工具
+  - Cholesky分解
+  - LU分解
+  - SVD分解
+
+- 损失函数支持
+  - 提供多种常用损失函数
+  - 支持自定义损失函数
+
+## 安装
+
+项目使用CMake构建系统。安装步骤如下：
+
+```bash
+mkdir build
+cd build
+cmake ..
+make
+```
+
+## 使用方法
+
+### 1. 配置求解器
+
+所有求解器都支持通过TOML配置文件设置参数：
 
 ```toml
-[lcg]
-max_iterations=<int>
-epsilon=<float>
-abs_diff=0|1
-restart_epsilon=<float>
-step=<float>
-sigma=<float>
-beta=<float>
-maxi_m=<int>
-```
\ No newline at end of file
+[solver]
+max_iterations=1000    # 最大迭代次数
+epsilon=1e-6          # 收敛阈值
+abs_diff=1            # 是否使用绝对差异
+restart_epsilon=1e-4  # 重启阈值
+step=0.1             # 步长
+sigma=0.9            # sigma参数
+beta=0.1             # beta参数
+maxi_m=10            # 最大M值（用于L-BFGS）
+```
+
+### 2. 定义优化问题
+
+GCTL优化库通过类的虚函数接口来定义具体的优化问题。不同类型的优化问题需要实现不同的虚函数接口：
+
+#### 2.1 线性问题接口
+
+对于求解线性方程组 Ax = b 的问题：
+
+```cpp
+class LinearProblem : public gctl::lcg_solver {
+public:
+    // 必须实现：定义矩阵向量乘积 Ax
+    virtual void LCG_Ax(const gctl::array<double> &x, 
+                       gctl::array<double> &ax) override {
+        // 示例：实现 ax = A * x
+        for(size_t i = 0; i < n; ++i) {
+            ax[i] = 0.0;
+            for(size_t j = 0; j < n; ++j) {
+                ax[i] += A[i][j] * x[j];
+            }
+        }
+    }
+    
+    // 可选实现：定义预处理矩阵M的作用
+    virtual void LCG_Mx(const gctl::array<double> &x, 
+                       gctl::array<double> &mx) override {
+        // 示例：对角预处理
+        for(size_t i = 0; i < n; ++i) {
+            mx[i] = x[i] / A[i][i];
+        }
+    }
+};
+```
+
+#### 2.2 非线性优化问题接口
+
+对于求解非线性优化问题 min f(x) 的情况：
+
+```cpp
+class NonlinearProblem : public gctl::lbfgs_solver {
+public:
+    // 必须实现：计算目标函数值和梯度
+    virtual double LBFGS_Evaluate(const gctl::array<double> &x,
+                                gctl::array<double> &g) override {
+        // 示例：Rosenbrock函数及其梯度
+        double fx = 0.0;
+        for(size_t i = 0; i < n-1; ++i) {
+            fx += 100.0 * pow(x[i+1] - x[i]*x[i], 2) + 
+                  pow(1.0 - x[i], 2);
+        }
+        
+        // 计算梯度
+        for(size_t i = 0; i < n; ++i) {
+            if(i == 0) {
+                g[i] = -400.0*x[i]*(x[i+1] - x[i]*x[i]) - 
+                       2.0*(1.0 - x[i]);
+            }
+            else if(i == n-1) {
+                g[i] = 200.0*(x[i] - x[i-1]*x[i-1]);
+            }
+            else {
+                g[i] = 200.0*(x[i] - x[i-1]*x[i-1]) - 
+                       400.0*x[i]*(x[i+1] - x[i]*x[i]) - 
+                       2.0*(1.0 - x[i]);
+            }
+        }
+        return fx;
+    }
+    
+    // 可选实现：定义预处理
+    virtual void LBFGS_Precondition(const gctl::array<double> &x,
+                                  const gctl::array<double> &g,
+                                  const gctl::array<double> &d,
+                                  gctl::array<double> &d_pre) override {
+        // 实现预处理
+        d_pre = d;  // 默认不做预处理
+    }
+};
+```
+
+#### 2.3 全局优化问题接口
+
+对于需要进行全局搜索的优化问题：
+
+```cpp
+class GlobalProblem : public gctl::lgd_solver {
+public:
+    // 必须实现：计算目标函数值和梯度
+    virtual double LGD_Evaluate(const gctl::array<double> &x,
+                              gctl::array<double> &g) override {
+        // 示例：多峰函数及其梯度
+        double fx = 0.0;
+        for(size_t i = 0; i < n; ++i) {
+            fx += sin(x[i]) * exp(-0.1 * x[i]*x[i]);
+        }
+        
+        // 计算梯度
+        for(size_t i = 0; i < n; ++i) {
+            g[i] = cos(x[i]) * exp(-0.1 * x[i]*x[i]) - 
+                   0.2 * x[i] * sin(x[i]) * exp(-0.1 * x[i]*x[i]);
+        }
+        return -fx;  // 最小化负值等价于最大化原函数
+    }
+    
+    // 可选实现：监控优化进度
+    virtual int LGD_Progress(const int curr_t, const double curr_fx,
+                           const double mean_fx, const double best_fx,
+                           const lgd_para &param) override {
+        // 返回非零值将终止优化
+        return 0;
+    }
+};
+```
+
+#### 2.4 随机优化问题接口
+
+对于需要随机采样或批量处理的优化问题：
+
+```cpp
+class StochasticProblem : public gctl::sgd_solver {
+public:
+    // 必须实现：计算单个批次的损失
+    virtual double evaluate_batch(const gctl::array<double> &x,
+                                const gctl::array<size_t> &batch_indices) override {
+        // 示例：均方误差损失
+        double loss = 0.0;
+        for(auto idx : batch_indices) {
+            double pred = predict(x, data[idx]);
+            loss += 0.5 * pow(pred - target[idx], 2);
+        }
+        return loss / batch_indices.size();
+    }
+    
+    // 必须实现：计算单个批次的梯度
+    virtual void gradient_batch(const gctl::array<double> &x,
+                              const gctl::array<size_t> &batch_indices,
+                              gctl::array<double> &grad) override {
+        // 示例：均方误差损失的梯度
+        grad.fill(0.0);
+        for(auto idx : batch_indices) {
+            double pred = predict(x, data[idx]);
+            update_gradient(x, data[idx], pred - target[idx], grad);
+        }
+        grad *= (1.0 / batch_indices.size());
+    }
+};
+```
+
+### 3. 基本用法
+
+#### 2.1 线性共轭梯度法 (LCG)
+
+```cpp
+#include <gctl/optimization.h>
+
+// 继承lcg_solver类并实现必要的虚函数
+class MyProblem : public gctl::lcg_solver {
+public:
+    // 实现矩阵向量乘法 Ax
+    virtual void LCG_Ax(const gctl::array<double> &x, gctl::array<double> &ax) override {
+        // 实现 ax = A * x
+    }
+    
+    // 实现预处理矩阵乘法 Mx（可选）
+    virtual void LCG_Mx(const gctl::array<double> &x, gctl::array<double> &mx) override {
+        // 实现预处理，如果不需要预处理，可以简单地将mx = x
+        mx = x;
+    }
+};
+
+// 使用求解器
+void solve() {
+    MyProblem solver;
+    solver.set_max_iterations(1000);
+    solver.set_epsilon(1e-6);
+    solver.solve(b, x);  // b为右端向量，x为解向量
+}
+```
+
+#### 2.2 复数域线性共轭梯度法 (CLCG)
+
+```cpp
+#include <gctl/optimization.h>
+
+class ComplexProblem : public gctl::clcg_solver {
+public:
+    virtual void CLCG_Ax(const gctl::array<std::complex<double>> &x,
+                        gctl::array<std::complex<double>> &ax) override {
+        // 实现复数域的矩阵向量乘法
+    }
+};
+```
+
+#### 2.3 L-BFGS优化器
+
+```cpp
+#include <gctl/optimization.h>
+
+class OptProblem : public gctl::lbfgs_solver {
+public:
+    // 计算目标函数值
+    virtual double evaluate(const gctl::array<double> &x) override {
+        // 返回在点x处的函数值
+    }
+    
+    // 计算梯度
+    virtual void gradient(const gctl::array<double> &x, 
+                         gctl::array<double> &grad) override {
+        // 计算在点x处的梯度
+    }
+};
+```
+
+#### 2.4 Lévy梯度下降 (LGD)
+
+```cpp
+#include <gctl/optimization.h>
+
+class LGDProblem : public gctl::lgd_solver {
+public:
+    // 计算目标函数值
+    virtual double evaluate(const gctl::array<double> &x) override {
+        // 返回在点x处的函数值
+    }
+    
+    // 计算梯度
+    virtual void gradient(const gctl::array<double> &x, 
+                         gctl::array<double> &grad) override {
+        // 计算在点x处的梯度
+    }
+    
+    // 设置Lévy飞行参数
+    void setup() {
+        set_levy_alpha(1.5);  // 设置Lévy分布的α参数
+        set_step_size(0.1);   // 设置步长
+    }
+};
+```
+
+#### 2.5 随机梯度下降 (SGD)
+
+```cpp
+#include <gctl/optimization.h>
+
+class SGDProblem : public gctl::sgd_solver {
+public:
+    // 计算随机批次的损失
+    virtual double evaluate_batch(const gctl::array<double> &x,
+                                const gctl::array<size_t> &batch_indices) override {
+        // 返回当前批次的损失值
+    }
+    
+    // 计算随机批次的梯度
+    virtual void gradient_batch(const gctl::array<double> &x,
+                              const gctl::array<size_t> &batch_indices,
+                              gctl::array<double> &grad) override {
+        // 计算当前批次的梯度
+    }
+    
+    // 配置SGD参数
+    void setup() {
+        set_batch_size(32);           // 设置批次大小
+        set_learning_rate(0.01);      // 设置学习率
+        set_momentum(0.9);            // 设置动量（可选）
+    }
+};
+```
+
+### 3. 高级功能
+
+#### 3.1 自定义损失函数
+
+```cpp
+#include <gctl/optimization.h>
+
+class CustomLoss : public gctl::loss_function {
+public:
+    virtual double evaluate(const gctl::array<double> &pred,
+                          const gctl::array<double> &target) override {
+        // 实现自定义损失函数计算
+    }
+    
+    virtual void gradient(const gctl::array<double> &pred,
+                         const gctl::array<double> &target,
+                         gctl::array<double> &grad) override {
+        // 实现损失函数关于预测值的梯度计算
+    }
+};
+```
+
+#### 3.2 矩阵分解工具使用
+
+```cpp
+#include <gctl/optimization.h>
+
+void matrix_operations() {
+    // SVD分解
+    gctl::matrix<double> A, U, S, V;
+    gctl::svd_decomp(A, U, S, V);
+    
+    // LU分解
+    gctl::matrix<double> L, U;
+    gctl::lu_decomp(A, L, U);
+    
+    // Cholesky分解
+    gctl::matrix<double> L;
+    gctl::cholesky_decomp(A, L);
+}
+```
+
+更多详细示例请参考 `example` 目录下的示例代码。
+
+## 示例说明
+
+- `ex1.cpp`: 基本的共轭梯度求解示例
+- `ex2.cpp`: L-BFGS优化示例
+- `ex3.cpp`: SVD分解应用
+- `ex4.cpp`: 随机梯度下降示例
+- `ex5.cpp`: 约束优化问题
+- `ex6.cpp`: 莱维梯度下降示例
+- `ex7.cpp-ex10.cpp`: 更多高级应用示例
+
+## 许可证
+
+该项目采用双重许可：
+1. GNU Lesser General Public License v2.0
+2. 商业许可（需单独申请）
+
+## 联系方式
+
+作者：Yi Zhang (yizhang-geo@zju.edu.cn)
+
+## 参与贡献
+
+欢迎提交Issue和Pull Request来帮助改进项目。
\ No newline at end of file