一种改进的随机次梯度方法的快速收敛性

1引言考虑如下优化问题: min f(x)=sum from i=1 to m f_i(x),s.t. x∈X (1)其中,f_i∶R~n→R是凸函数且f_i不可微,X是R~n上的非空闭凸子集．解(1)的主要方法     

Wolfe步长规则下约束优化问题的共轭梯度投影算法

本文研究了约束优化问题min x∈Ωf(x).利用共轭梯度算法与GLP梯度投影思想相结合的方法,构造了一个新的共轭梯度投影算法,并在Wolfe线搜索下获得了该算法的全局收敛性结果.     

非线性约束条件下的梯度投影方法

§1.引言 考虑问题:其中R={x∈E~n|h_i(x)≤0,i=1,…,m},并且满足 (H1)h_i(x),i=1,…,m为一阶连续可微的凸函数;f(x)为一阶连续可微函数。 (H2)对A_x∈R:{△h_i(x)|i∈J_0(x)}为线性无关的向量组,其中J_0(x)={i|h_i(x)=0}。 对这类非线性约束的极值问题,以往的梯度投影方法是先对切面做梯度的投影,然后拉回到可行区域,原因是梯度在切面上的投影往往已不是可行方向。本文改变了以往     

一类高维种群动力系统的持续性

§1.引言 对于下述形式的Kolmogorov系统: x_i=x_if_i(x_1,x_2,…x_n),i=1,2…,n, (1.1)其中x_i=dx_i(t)/dt,x_i(t)表示种群x_i在时刻t时的种群密度,X=(x_1,x_2,…,x_n)∈R_ ~n,f_i(x)∈C~1(R_ ~n),这里R_ ~n={X|x_i≥0,i∈N},而N={1,2,…,n},R_ ~(n,0)={X|x_i>0,i∈N},在条件X(0)={x_1(0),x_2(0),…,x_n(0)}∈R_ ~(n,0)下,如果对一切i∈N:有lim sup_(t→∞)x_i(t)>0成立,称系统(1.1)弱持续生存;若liminf_(t→∞)x_i(t)>0成     

求解不可微箱约束变分不等式的下降算法

1 引 论 设X(?)Rn是非空闭集,F:Rn→Rn连续映射,变分不等式问题VI(X,F)是指:求x∈X,使 F(x)T(y-x)≥0,　 (?)y∈X,(1)记指标集N=(1,2,…,n},当 X=[a,b]≡{x∈Rn|a≤xi≤bi,i∈N},(2)其中a={a1,a2,…,an}T,b={b1,b2,…,bn}T∈Rn时,VI(X,F)化为箱约束变分不等式VI(a,b,F).若ai=0,bi=+∞,i∈N,即X=R+n≡{x∈Rn|x≥0}时,VI(a,b,F)化为非线性     

采用增广拉格朗日乘子形式的罚函数作线性搜索的递归等式约束二次逼近算法

1.引言 本文所讨论的问题如下: Min f(x) x∈R~n, s.t. c_i(x)=0,i=1,…,q,(1.1) c_i(x)≤0,i=q+1,…,p.解此问题的递归等式约束二次逼近算法,是由Murry(1969)提出,而后由Biggs(1972)发展的.此项研究是从罚函数的轨迹出发,建立一个只包含等式约束的二次规划子问题,从而可用代数的方法求得搜索方向.并沿该方向作线性搜索而完成一次迭代过程.Biggs将二次罚函数作为效应函数用于线性搜索,并证明了该算法具有全局收敛性和局部超线     

Asplund空间的一些几何特征

本文主要讨论Asplund空间的一些几何特征。设 X 为 Banach 空间,本文证明了下述等价:(1)X 是 Asplund 空间;(2)X~*的每个有界范闭子集包含它的ω~*闭凸包的一个端点;(3)X~*的每个有界范闭子集包含它的凸包的一个端点;(4)对 X~*的每个有界范闭子集 A,存在 x_o∈X/{0}和 x_o~*∈A,使得 x_o~*(x_o)=(?)x~*(x_o);(5)对 X~*的每个有界范闭子集 A,集{x∈X,■x_o~*∈A,使得 x_o~*(x)=sup x~*(x)}在 X 中范稠     

凸可行问题的平行近似次梯度投影算法

对凸可行问题提出了包括上松弛的平行近似次梯度投影算法和加速平行近似次梯度投影算法．与序列近似次梯度投影算法相比, 平行近似次梯度投影算法(每次迭代同时运用多个凸集的近似次梯度超平面上的投影)能够保证迭代序列收敛到离各个凸集最近的点． 上松弛的迭代技术和含有外推因子的加速技术的应用, 减少了数据存储量, 提高了收 敛速度. 最后在较弱的条件下证明了算法的收敛性, 数值实验结果验证了算法的有效性和优越性.     

仿射共轭梯度路径信赖域方法解有界约束优化

1 引言本文研究含有界变量约束的非线性优化问题 min f(x),x∈Ω (1．1) 其中f:Rn→R是光滑的非线性函数,约束可行集Ω=def{x∈Rn|li≤xi≤ui,i= 1,…,n},可行内点集int(Ω)=def{x∈Rn|li     

简约梯度法与ROSEN梯度投影法的一个关系

1 引 言 考虑如下非线性规划问题 min{f(x)|A_1x=b,a_i~Tx≤b_i,i∈I},(1.1)其中I表示所有不等式约束指标集合。设R为(1.1)的可行域,对任意x∈R记A~T(x)=(A_1~T:A_2~T(x)),其中A_2(x)是以a_i,i∈I(x)为行的矩阵,I(x)={i|a_i~Tx=b_i,i∈I},对不同的可行点x∈R,A~2(x)可能不同 问题(1.1)的假设条件。 〈H1〉f一阶连续可微, 〈H2〉x∈R,A(x)行满秩。 1960年Rosen对问题(1.1)给出一种梯度投影法,其基本定理为     

停时折扣总报酬以分布最优模型

从实际需要出发,林元烈提出了以分布最优模型,作者在[1]基础上考虑更广泛的模型. 假定在时刻t=1,2,3,…处观察系统.该模型由如下意义的五重体(S,(A(i),i∈S),q,r,v)组成。其中S是所有状态组成的Polish空间,H为失效集,H=S-H为工作集.A(i)(i∈S)为状态i可用的行动集且有限.q是系统状态的齐次转移律。r(·,·)是定义在S×A上的单值实函数且0≤r(·,·)≤M,其中M是一正数.目标函数V_i(π,x)是定义在∏×S×R上的单值实函数,其中∏是全体策略集.     

P0-函数箱约束变分不等式的正则半光滑牛顿法

1引言设X C R~n,F：R~n→R~n,变分不等式Ⅵ(X,F)是指：求x∈X,使F(x)~T(y-x)≥0,(?)_y∈X．(1)记i∈N={1,2,…,n},当X=[a,b]：={x∈(?)~n|a_i≤x_i≤b_i,i∈N}时,称Ⅵ(X,F)为箱约束变分不等式(也有些文献称为混合互补问题),记为Ⅵ(a,b,F)．若a_i=0,b_i= ∞,i∈N,即X=(?)_ ~n：={x∈(?)~n|x≥0}时,Ⅵ(a,b,F)化为非线性互补问题NCP(F)：求x∈(?)_ ~n,使x≥0,F(x)≥0,x~TF(x)=0．(2)     

二阶非线性中立型时滞微分方程的振动性

考虑二阶非线性中立型时滞微分方程(x(t)-p(t)x(t-τ))″+∑ from i=1 to n (qi(t)fi(x(t-σi)))=0,t0,其中p,q_i∈C(R+,R+),τ,σ_i∈(0,∞),f_i∈C(R,R),i=1,2,…,n,分别得到了方程所有解振动和方程存在非振动解的充分条件,推广和改进了相关文献中的相关结果.     

准上半连续性不必蕴含上半连续性的例子

<正> 1.命 X,Y 是拓扑空间,多值映象 T:X→2~Y 称为上半连续的(upper semi-continuous),如果对任何 x_0∈X 和任何开集 G(?)T(x_0),存在 x_0 在 X 中的邻域 U(x_0)使得 x∈U(x_0)蕴含 T(x)(?)G.F.E.Browder 证明了下述卓越的不动点原理([1]定理3).定理1 命 K 是局部凸隔离实拓扑向量空间 E 的非空紧致凸集,T:K→2~E 上半连续,使得对每个 x∈K,T(x)(?)E 是非空闭凸集,命δ(K)={x∈K|(?)y∈E,使 x+λy(?)K,(?)λ>0}表示 K 的代数边界.假设对每个 x∈δ(K),存在 y∈K,z∈T(x)和λ>0使得z-x=λ(y-x),那么存在 x_0∈K 使 x_0∈T(x_0).     

界约束下算子方程最小二乘问题的条件梯度法

研究如下界约束下算子方程最小二乘问题:min x∈Ω‖L(X:A_1,…,At;B_1,…,B_t)-T‖~2,其中‖.‖为Frobenius范数,L(X:A_1…A_t;B_1,…,B_t)为关于X的线性矩阵算子(或齐次线性变换),Ai∈R~(p×m),B_j∈R~(n×q)i,j=1,…,n为算子L的系数矩阵,丁为右端矩阵,ΩR~(m×n)为界约束凸集合.提出了求解问题的条件梯度迭代算法及其简要收敛性分析,并给出条件梯度算法的几类加速形式.随机数据和图像恢复模型数据的实验结果表明说明算法是可行高效的.     

非线性约束条件下梯度投影法的一个统一途径

对于问题(P),我们作如下假设: (H1):g_j(x)(j=1,…,m)为一阶连续可微凸函数.f(x)为一阶连续可微函数. (H2):x∈R={x|x∈E~n,g_j(x)≤0,j=1,…,m}:{g_j(x)|j∈J_J(x)}为线性无关向量组.其中J_0(x)={j|g_j(x)=0}. 自Rosen的梯度投影法产生以来,国内外流行的求解(P)的梯度投影法都是先对切面做投影,然后拉回可行域,目的是保证所取得的搜索方向为可行下降方向.1985年     

Banach 空间中广义正交与度量投影

本文利用广义正交(“⊥”)这一工具,给出了在不自反的Banach空间中多值算子P为集值度量投影PL的充要条件是(i)P-1(0)=L(⊥),(ii)x∈X,y∈L,P(x y)=P(x) y,我们的结果推广了文[2]的在自反空间中且P为单值度量投影的相应结论;还得到了L(⊥)为线性子空间的充要条件是PL为有界线性算子;进而得到了L广义正交拓扑可补的充要条件是PL为有界线性算子,丰富了文[1,9]的结论.     

Kthe半单纯环的几个交换性定理

设 R 是一个 Kthe 半单纯环,C 是 R 的中心.本文证明,R 满足下列条件之一时为交换环:(1)对任意 x,y∈R,存在自然数 l=l(x,y),m=m(x,y)>1,n=n(x,y),且 l≤n,使得下列关系式之一恒成立:(i)xy~l-x~my~n∈C;(ii)xy~l-y~nx~m∈C;(iii)x~ly-x~ny~m∈C;(iv)x~ly-y~mx~n∈C.(2)R 不含非零的诣零单边理想,且对任意 x,y∈R,存在自然数 l=l(y,y)>1,n==n(x,y),n≥l,使得下列关系式之一恒成立:(i)xy~l-(xy)~n∈C;(ii)xy~l-(yx)~n∈C;(iii)x~ly-(xy)~n∈C;(iv)x~ey-(yx)~n∈C.     

不分明集的σX-级数收敛及σS-序列紧性(英文)

本文研究了不分明集的一些级数收敛性 ,给出了不分明集的σX-级数收敛定义及σS-序列紧致性 .证明了一个在论域上逐点收敛的模订级数 ,将在某种中的拓扑下 ,也可以是收敛的 .如论域 X为紧度量空间 ,且 Ai ∈ F( X)∩ C( X)时 ,级数∑∞i=1Ai 依距离 d( A,B) =supx∈ X|A( x) -B( x) |收敛     

线性约束非线性规划的梯度投影法

我们考虑问题(LNP) minf(x),x∈R={x|A~Tx≤b,x∈R~n},其中A是n×m矩阵,b为m维向量,R~n为n维欧氏空间f(x)∈C~1.记I(x)={i|a_i~Tx=b_i,i=1,…,m},P_(I(x))为R~n到U_(I(x))={x|a_i~Tx=0,i∈I(x)}的投影矩阵.特别记I_k=I(x~k),U_k=U(I_k),N(I_k)=(a_i~T,i∈I_k)~T.本文恒假定秩N_(I(x))=|I(x)|,(即I(x)中的元素个数).