非线性规划的一个可行方向方法

<正> 本文的目的是给出非线性规划问题(P) min(?) f(x),R={x|Ax=b,x≥0}的一个具收敛性的算法.其中,f(x)∈C′,A 是 m×n 阶矩阵(m相似文献   

简单补偿随机线性规划的对偶并行算法

一、引言随机线性规划中,具有简单补偿的二阶段问题是(?){c~Tx E(?)q~Ty|Wy=b(ω)-AX,y≥0}(A)其中 c 是 n 维常向量,q=(q~ /q~-)是2m 维常向量,且(?)=q~ q~-≥0,A 是 m×n 常矩阵,W=((?),I),I 是 m×m 单位矩阵,b(ω)=(b_1(ω),…,b_m(ω))~T 是 m 维随机向量,它的边沿分布函数为 F_b(τ)=(F_1(τ_1),…,F(τ_n))~T,E 表示求随机变量的数学期望,X(?)R~n 是凸多面体集.可以证明,问题(A)与下列问题等价     

分段线性规划算法的一个注记

求解分段线性规划问题inf S(x) s.t.Ax≤b 0≤x≤(?) (1)其中(?)=((?)_1,(?)_2,…,(?)_n)及 b=(b_1,b_2,…,b_m)~T 是已知向量,A 是已知的(m,n)矩阵,元素为 α_(ij)。目标函数 s(x)是分段线性函数。即对[0,(?)_j)(j=1,2,…,n)存在分划0=x_j~(0)相似文献   

关于线性规划问题惩罚因子的范围估计

文[1]证明了约束线性方程组的增广矩阵[A b]经m次初等行变换即可化成形如A_1=(A~(1)b~(1))的矩阵,这里A~(1)=(a(_ij)~(1))_m×n,A~(1)的第J_i(i=2,3,…,m)列为m维列向量e_i=(0,…,0,1,0,…,0)~T,其中“1”位于i维,b~(1)=(b_1~(1),0,…,0)~T.其中b_1~(1)为正数.于是问题(1)可化成如下的等价形式     

对称次反对称矩阵的一类反问题

1 引言 用R~(m×n),SR~(n×n),ASR~(n×n),OR~(n×n)分别表示所有m×n实矩阵,n阶实对称矩阵,n阶实反对称矩阵和n阶实正交矩阵组成的集合,I_k表示k阶单位矩阵,S_k表示k阶反序单位矩阵,||A||表示矩阵A的Frobenius范数。若A=(a_(ij))∈R~(n×n),记D_A=diag(a_(11),a_(22),…,a_(nn)),L_A=(l_(ij))∈R_(n×n)其中当i>j时,l_(ij)=a_(ij),当i≤j时,l_(ij)=0,(i,j=1,2,…,n).若A=(a_(ij)),B=(b_(ij))∈R~(m×n),A*B表示A与B的Hadamard乘积,其定义为A*B=(a_(ij)b_(ij))。     

线性约束凸规划的既约变尺度法

本文讨论如下的非线性规划的求解问题:其中,可行集R={x|Ax=b,x≥0},x=(x_1,x_2,…,x_n)~T∈E~n,A为m×n矩阵,秩为m。b=(b_1,b_2,…b_m)~T为常向量。对于这个问题已有许多解法。但在现有的方法中,或是没有讨论收敛速度,或者收敛速度是线性的。在[1]中,对于包含线性等式与不等式约束的凸规划问题,我们将梯度投影与     

t-可约二部分竞赛图的得分表偶

设 T_(m,n)是 m×n 二部分竞赛图,(X,T)是 T_(m,n)的顶点集合 V(T_(m,n)的有序分划,其中|X|=m,|Y|=n.设 X={x_1,x_2,…,x_m},Y={y_1,y_2,…,y_n}.顶点x_1,x_2,…,x_m 在 T_(m,n)中的得分依次为 a_1,a_2,…,a_m,a_1≤a_2≤…≤a_m;y_1,y_2,…,y_n 在 T_(m,n)中的得分依次为 b_1,b_2,…,b_n,b_1≤b_2≤…≤b_n.记 A=(a_1,a_2,…,a_m),B=(b_1,b_2,…,b_n).有序向量偶(A,B)称为 T_(m,n)的得分表偶.反之,给定有序非负整向量偶(A,B),其中 A=(a_1,a_2,…,a_m),a_1≤a_2≤…≤a_m,B=(b_1,b_2,…,b_n),b_1≤b_2≤…≤b_n,是否存在 m×n 二部分竞赛图 T_(m,n),使得(A,B)是 T_(m,n)的     

布尔矩阵广义逆的若干判定定理

本文所论的矩阵均指 n 阶布尔方阵。A=(a_(ij)),B=(b_(ij)),若 a_(ij)≤b_(ij),i,j=1,2,…,n,则称 A≤B.对 A=(a_(ij)),若存在矩阵 G,使 AGA=A,称 G 是 A 的广义逆(g 逆),又令(?)称矩阵 A_0=(g_(ij))为 A 的相伴阵。A_0的转置阵为 A_0~T=(g_(ij)~T).     

矩阵张量积不可约性的表征

为矩阵A与B的张量积,记为C=A(?)B。 定义Ⅰ设A=(a_(ij))∈C~(n×n),B=(b_(ij))∈C~(m×m)。若A在某位置(f,f)之非零元素链中有一个含r_1个A中的非零元:A(f,f)=a_(fe_1)a_((e_1)(e_2)…a_(e_r))(?),B在某位置(t,t)之非零元素链中有一个含r_2个B中的非零元:B(t,t)=b_((ts_1))b_((s_1s_2))…bs_(s_r_2-1)l,且(r_1,r_2)=1,1≤f≤n,1≤r≤m,则称A,B满足弱链条件。     

线性规划问题非唯一最优解的存在条件和解集结构

设线性规划问题为其中A是秩为m的m×n矩阵,m相似文献   

线性流形上对称正交对称矩阵逆特征值问题

1.引言 令R~(n×m)表示所有n×m阶实矩阵集合;OR~(n×n)表示所有n阶正交矩阵全体;A~+表示A的Moore-penrose广义逆;I_к表示К阶单位阵;SR~(n×n)表示n阶实对称矩阵的全体;rank(A)表示A的秩;||·||是矩阵的Frobenius范数;对A=(a_(ij)),B=(b_(ij))∈R~(n×m),A＊B表示A与B的Hadamard乘积,其定义为A*B=(a_(ij),b_(ij))。     

线性流形上实对称矩阵最佳逼近

1.引言 首先介绍一些记号,IR~(n×m)表示所有n×m实矩阵的全体,SIR~(n×n)表示所有n×n实对称矩阵的全体,OIR~(n×n)表示所有n×n正交矩阵的全体,I_n表示n阶单位矩阵,A~T和A~+分别表示矩阵A的转置和Moore-Penrose广义逆。对A=(a_(ij)),B=(b_(ij))∈IR~(n×m),A＊B表示A与B的Hadamard积,定义为A＊B=(a_(ij)b_(ij)),并且定义A与B的内积     

GENERALIZED TWO-PART SPERNER FAMILIES

Let m, n, S_1, S_2, …, S_n, be non-negative integers with 0≤m≤n. Assume μ(S_1, S_2, …, S_n)={(a_1, a_2, …, a_n)|0≤a_i≤S_i for each i} is a poser, Where (a_1, a_2, …, a_n)<(b_1, b_2, …, b_n) if and only if a_i相似文献   

随机线性规划目标函数的微分稳定性

这里,W为完备补偿矩阵,维数为m×n_1,b(ω)为m维随机向量,q(ω)为n_1维随机向量,T(ω)为m×n随机矩阵。在q,b,T的二次可积条件下,Q(x,ζ)处处有限。设随机向量ε=(q,b,T)取的值(q,b,T)所在空间为R~(l=m n_1 m×n),ζ定义在概率空间(Ω,(?),P)上。     

n維向量間的一個問题

本文是討論4個n維向量問的一個問題,具體地來說,就是定理:設A=(a_1,a_2,…,a_n),B=(b_1,b_2,…,b_n),X=(x_1,x_2,…,x_n)和Y=(y_1,y_2,…,y_n)為4個非零的n維向量,其向量分適合 (1) a_ib_j+a_jb_i=x_iy_j+x_jy_i(i,j=1,2,…,n)之諸關係式:那麼A,B一定分别和X,Y或Y,X成比例,即必有二數λ≠0,μ≠0致A=λX,B=μY,或A=λY.B=μX。 證明:當n=1時,A=(a_1),B=(b_1),X=(x_1),Y=(y_1)。因題設A,B,X,Y均非零向量,故此時應為a_1b_1x_1y_1≠0,故A=λX,B=μY或A=σY,B=γX之4個異於零之數λ,μ,σ,γ之存在甚為顯明,此即示定理對於一維向量來講是成立的——實際上,由於(1)的原故,此時還顯然有λμ=1或σγ=1。今用數學歸納法假定定理對於n-1維向量而言是成立的,而來考察適合關係式(1)的4個n維向量A,B,X和Y。因A為非零向量,故它必至少有一個向量分     

线性流形上矩阵方程BTXB=F的双对称最小二乘解

1引言令R~(n×m)、OR~(n×n)、SR~(n×n)(SR_0~(n×n))分别表示所有n×m阶实矩阵、n阶实正交阵、n阶实对称矩阵(实对称半正定阵)的全体,A~ 表示A的Moore-Penrose广义逆,I_k表示k阶单位矩阵,S_k表示k阶反序单位矩阵。R(A)表示A的列空间,N(A)表示A的零空间,rank(A)表示矩阵A的秩。对A=(a_(ij)),B=(b_(ij))∈R~(n×m),A*B表示A与     

GF(p)上B_n的次数

行列式 B_n=∑±b_(i_1)~(m_1)b_(i_2)~(m_2)…b_(i_n)~(m_n)中各项含因子 b 的个数的最大值称为 B_n 的次数,其中,1≤t_k≤n,m_f≥0,b_(i_k)∈GF(p).当 p=2时,这是0-1矩阵的行列式,文[3]已有结果.本文在任意 p 的情形下给出 B_n 的次数 L(n)的公式:对任意正整数 r,当 n_r≤n≤n_(r+1)时,L(n)=r,其中,n_r=(r_0+1)(p~(q+1)-1)/(p-1)-(1+qp~(q+1),q=[r/(p-1)],r=q(p-1)+r_0。     

相依误差下回归系数 LS 估计的收敛速度

其中 x(ij)(j=1,…,p,i=1,2,…)是已知常数,常称之为模型(1)的设计常数或设计点列,β_1,…,β_p,为未知的回归系数,y_i,e_i 分别为第 i 次量测时的量测值和量测随机误差。以下,我们记设计矩阵(x_(ij))(?)≤(?)≤n,(?)≤j p 为 X_n,Y_n=(y_1,…,y_n)′,β=(β_1,…,β_p)′.并假定对某N,X′_N X_N 非退化,那么当 n≥N 时,X′_n X_n 亦非退化,且回归系数β的基于前 n 次量测值 Y_(?)及设计矩阵 X_(?)的最小二乘估计(通常简记为 LS 估计) b_(?)=(b_(?)1, …,b_((?)p)'为     

矩阵方程ATXB+BTXTA=D的极小范数最小二乘解

1引言本文用Rm×n表示所有m×n实矩阵全体,ORn×n,ASRn×n分别表示n×n实正交矩阵类与反对称矩阵类.‖·‖F表示矩阵的Frobenius范数,A+为矩阵A的Moore-Penrose广义逆,A*B与A(?)B分别表示矩阵4与B的Hadamard乘积及Kronecker乘积,即若A=(aij),B=(bij),则A*B=(ajibij),A(?)B=(aijB),vec4表示矩阵A的按行拉直,即若A=[aT1,aT2,…,aTm],其中ai为A的行向量,则vecA=(a1a2…am)T.设A∈Rn×m,B∈Rp×m,D∈Rm×m,我们考虑不相容线性矩阵方程ATXB+BTXTA=D(1.1)     

广义严格对角占优阵的判定程序

1 引言和符号 在本文中,均采用下列符号而不再重申.恒用N表示前n个自然数的集合;而用Mn(C)和Mn(R)分别表示所有n阶复矩阵和所有n阶实矩阵的集合. Z_N={A|A=(a_(ij))_(n×n)∈Mn(R),a_(ij)≤0,i,j∈N,i≠j},I恒表示单位矩阵. 如果A∈Mn(R)且A的所有元素都为非负实数,则称A为非负方阵,并记为A≥0;若A的所有元素都为正数,则称A为正矩阵,并记为A>0. 对A=(a_(ij))(n×n)∈Mn(C),令A_i(A)=sum from j=1 j≠i to n (|a_(ij)|(i=1、2…… n)) ;若把A的非零元用1代替 而得到—个n阶(0,1)矩阵。称为A的导出矩阵。记为;而把A的比较矩阵记为 u(A)=(b_(ij))_(n×n))其中b_(ij)=|a_(ij)|,b_(ij)=-|a_(ij)|(i,j∈N i≠j)