一族二阶导数计值迭代方法的收敛性

从带一个参数的三阶迭代族(其中包括Halley迭代,Chebyshev迭代和超Halley迭代)出发,推出避免二阶导数计算的带两个参数的迭代族.在Newton-antorovich型的假设条件下,通过用一个递推关系证明了此迭代族的三阶收敛性,并给出了非线性算子方程解的存在惟一性定理.     

弱条件下若干变形牛顿迭代的收敛性

各种变形牛顿迭代法在解不同复杂程度的非线性方程f(x)=0时有各自的优缺点。在Smale点估计理论引导下，作者利用优序列方法，研究了弱条件下，减少导映照计值次数，避免导映照求逆两种变形牛顿迭代在求解时的收敛性问题。对此两种迭代法分别建立了各自的收敛性定理，证明了在弱条件下，两种方法产生的迭代序列均收敛于f(x)=0的惟一零点，并给出了误差估计。     

无失效数据的一类迭代Bayes分析

对无失效数据分析中(0,t]时间段上的失效概率pi,(i=1,…,m),提出一种用m-1个pi的近似分布的混合分布修正pt先验分布的新方法,给出了一类失效概率的单层Bayes迭代估计和多层Bayes迭代估计.两种迭代方法被应用于液压泵数据分析.依照极大似然原则讨论了λm值的选取.对两种迭代方法的比较结果显示,在按似然原则对λm值选取的稳健性方面,多层Bayes迭代法优于单层Bayes迭代法,但多层Bayes迭代法需要更大的计算量.     

解线性方程组的一种预处理方法

用迭代法求解线性代数方程组时,由于收敛条件较严,只能对一些特殊矩阵(如对角占优、对称正定矩阵等)构造迭代公式.针对一般的线性代数方程组,本文采用预处理的手段. Gauss-Seidel迭代法做出了改进,可以将Gauss-Seidel迭代法不收敛的线性方程组,选取适当的预处理因子,使得线性方程组预处理迭代收敛.     

一类非线性集值抛物型方程的广义单调迭代法

利用lakschmikantham提出的广义单调迭代法考虑了一类非线性集值抛物型方程的数值解法，利用序理论给出其迭代格式，论证了迭代解的收敛性，在局部上半Lipschitz条件下，给出了离散解收敛性的若干结论。     

解鞍点问题的新SOR类迭代法的一个注记

最近ZHENG等提出了新的SOR类(NSOR-Like)迭代法,研究了NSOR-类迭代矩阵特征值的性质.基于NSOR类迭代法,提出了一种改进的NSOR类(INSOR-Like)迭代法,并分析了相应方法的收敛性.此改进的NSOR类(INSOR-Like)迭代法是NSOR类迭代法的推广.     

求解非埃尔米特正定方程组的广义LHSS迭代法

基于矩阵的埃尔米特和反埃尔米特分解,李良等给出了一类求解非埃尔米特正定方程组的LHSS迭代法,在系数矩阵的埃尔米特和非埃尔米特之间进行了非对称迭代,在较松弛的约束条件下即可获得收敛结果.本文对该方法做进一步研究,给出了一类求解非埃尔米特正定方程组的广义LHSS迭代方法.数值结果表明,系数矩阵经恰当分解,在处理某些问题时广义LHSS迭代法优于HSS迭代法.     

关于同时求解三角多项式所有零点的单步方法的收敛性

最近,[1]的作者提出了关于同时求解三角多项式所有零点的全步迭代法。本文给出同时求解三角多项式所有零点的单步迭代法。我们证得,只要迭代初值充分接近于三角多项式的零点,则迭代序列至少具有平方收敛性。并且用数值例子说明,单步法优于全步法。     

一个Weierstrass迭代修正法的收敛性分析

为了求解多项式方程f(z）=0，我们在Weierstrass迭代的基础上给出了一个同时求解该方程所有根的迭代法，并对其收敛性及收敛的初始条件进行了分析，得出其收敛的初始条件，它仅与迭代的初始点有关而与方程的根无关，同时还证明了在此初始条件下，该迭代是3阶收敛的。     

求解 Banach空间中的非线性方程的 修正的 Chebyshev迭代方法

本文给出了一个求解 Banach空间中的非线性方程的迭代方法 ,这一迭代方法实际上是对 Chebyshev迭代法的修正 ,它也是三阶收敛的 ,而且它对二次方程是四阶收敛的.     

奇异摄动问题在修正的Bakhvalov-Shishkin网格上的混合差分格式

在分3段修正的Bakhvalov-Shishkin网格上，将中点迎风格式和中心差分格式相结合，建立了新混合差分格式算法，以求解一维奇异摄动两点边值问题。借助截断误差、离散比较原理和障碍函数等，得到了与摄动参数ε一致的较好的收敛阶数，从粗网格部分到细网格部分依次为二阶收敛、一阶收敛和二阶收敛。数值算例表明，该方法在实际求解精度上较其他3种方法优越。     

奇异摄动问题在修正的Bakhvalov-Shishkin网格上的混合差分格式

在分3段修正的Bakhvalov-Shishkin网格上,将中点迎风格式和中心差分格式相结合,建立了新混合差分格式算法,以求解一维奇异摄动两点边值问题。借助截断误差、离散比较原理和障碍函数等,得到了与摄动参数ε一致的较好的收敛阶数,从粗网格部分到细网格部分依次为二阶收敛、一阶收敛和二阶收敛。数值算例表明,该方法在实际求解精度上较其他3种方法优越。     

求解不可导算子的迭代法及其收敛性分析

主要研究了非线性算子不可导情形下Newton迭代型的收敛性.通过将不可导算子F分解为可导部分H和不可导部分G,借助Hernndez采用的修正迭代公式,分析了Newton型迭代的收敛性.相比Hernández的结果,本定理所需条件较弱,并且具有较好的误差估计公式.     

渐近非膨胀映象的收敛性问题

在一致凸的Banach空间中,使用了一种新的证明方法研究了渐近非膨胀映象具误差的修正Mann和Ishikawa迭代程序的收敛性问题;并且不要求定义域和值域有界,迭代系数更为简单．     

渐近半压缩映象的收敛性定理

在任意的赋范线性空间中，通过使用新的分析技巧研究了渐近伪压缩映象和渐近半压缩映象带误差的三步迭代序列的几个强收敛性定理．文中不仅包括了修正的带误差的Mann和Ishikawa迭代序列的收敛性结果作为2种特殊情况，同时证明了序列收敛的充分必要条件，且证明方法更为简单．     

一种近邻密度估计的Lp模强相合性

本文对一种新的近邻密度估计的相合性继续进行研究。在相当自然的件条下得到了它的L_p模强相合性。并证得这些条件是必要的。     

改进的蚁群算法在2D HP模型中的应用

针对蛋白质二维格模型(2DHP)折叠问题提出了一种改进的蚁群算法(Ant Colony Optimization Algorithm)，在算法的搜索阶段采用了牵引移动(pullmoves)的方法：首先按照一定规则移动一个或两个顶点的位置．然后将其他顶点沿着链依次向前移动两个位置，一旦达到一个新的有效构象则停止该移动．该方法的优点是大多数移动只需改变很少的顶点位置，使得改进后的蚁群算法具有较快的收敛速度．求解基准实例的结果表明，该算法在保证解的质量的前提下能大大缩短计算时间。     

基于动态因子和共享适应度的改进粒子群算法

为提高粒子群算法的收敛速度和优化性能,避免陷入局部最优,提出了一种基于动态学习因子和共享适应度函数的改进粒子群算法.在惯性权重w随着迭代次数非线性减少而动态调整学习因子的基础上,引入共享适应度函数.当算法未达到终止条件而收敛时,利用粒子和最优解间距离挑选一批粒子重新初始化形成新群体,并用共享适应度函数对新群体进行评价,新旧2个群体分别追随自己的局部最优解直至迭代结束.对4个典型多峰复杂函数的测试结果表明,该改进算法不仅加快了寻得最优解的速度,而且提高了粒子群算法全局收敛的性能.     

Hopf field网络解TSP的改进算法

本文提出用神经网络解旅行商问题(TSP>的改进算法。简化了Hopfield神经网络的能量函数并讨论了Euler法取大步长时的迭代性质.计算机模拟表明主要有两大优点:一是迅速收敛到一个解，二是易获得有效路径.     

并行迭代的高阶加速方法

从4阶收敛的并行迭代公式出发,利用并行加速技巧构造了一个5阶收敛的并行迭代算法,并进行了收敛性分析,通过数值实验验证了算法的高速收敛性.