单调变分不等式可行与非可行点组合的连续算法

本文给出了单调变分不等式问题一个新的连续型求解方法，方法的实现依赖于一系列含有四个参数的摄动单调变分不等式的求解．其中摄动参数要求的条件较为温和，这使得本文方法成为可行点与非可行点算法的有机组合和统一．在适当的假设条件下，我们分析和证明了摄动变分不等式问题解的存在性，唯一性和算法的强收敛性．     

求解非单调变分不等式的一种二次投影算法北大核心CSCD

投影算法是求解变分不等式问题的主要方法之一.目前,有关投影算法的研究通常需要假设映射是单调且Lipschitz连续的,然而在实际问题中,往往不满足这些假设条件.该文利用线搜索方法,提出了一种新的求解非单调变分不等式问题的二次投影算法.在一致连续假设下,证明了算法产生的迭代序列强收敛到变分不等式问题的解.数值实验结果表明了该文所提算法的有效性和优越性.     

一个关于混合变分不等式问题的投影算法

作者提出了混合变分不等式的一个新的投影算法. 混合变分不等式在弹性塑料学领域有实际应用, 而且形式上比经典的变分不等式更一般. 假设映射具有某种伪单调性, 作者证明了所提出的新算法是全局收敛的. 如果某种误差届成立, 算法的收敛率也被分析.     

求解非单调变分不等式的一种半空间投影算法

本文提出了一种求解非单调变分不等式的半空间投影算法,在映射是连续和对偶变分不等式解集非空的假设条件下证明了该算法生成的无穷序列是全局收敛的,并在局部误差界和Lipschitz连续条件下给出了收敛率分析.通过数值实验验证了所提出算法的有效性和可行性.     

求解单调变分不等式的两类迭代算法

给出了求解单调变分不等式的两类迭代算法．通过解强单调变分不等式子问题,产生两个迭代点列,都弱收敛到变分不等式的解．最后,给出了这两类新算法的收敛性分析．     

非单调变分不等式黄金分割算法研究

该文考虑变分不等式的梯度投影算法,给出了一种非单调变分不等式的黄金分割算法,所给出的算法特点结合了惯性加速方法,无需知道映射的Lipschitz常数,且步长是非单调递减的.在一定的条件下,算法的收敛性被证明.最后给出数值实验结果.     

Banach空间中集值混和变分不等式问题解的迭代算法

介绍了集值映象的伪单调定义，并在Banach空间中构造了集值混和变分不等式问题近似解的迭代算法．应用伪单调映象定义，证明了该迭代算法收敛于集值混和变分不等式问题的近似解．特别值得注意的是：在文章中对集值映象没有Lipschitz连续性假设．     

解变分不等式的三步松弛混合最速下降法

在Hilbert空间的非空闭凸子集上研究了具有Lipschitz和强单调算子的经典变分不等式．为求解此变分不等式引入了一类新的三步松弛混合最速下降法．在算法参数的适当假设下,证明了此算法的强收敛性．     

求解伪单调变分不等式的自适应加速外梯度算法

本文改进Tseng的外梯度算法,引入了一种新的求解伪单调变分不等式的投影算法.该算法的步长是自适应的,在Lipschitz常数未知的情况下通过一个简单的计算逐步更新.结合惯性加速技巧,在算子A是伪单调且Lipschitz连续的假设下,证明了该算法所产生的序列强收敛到变分不等式的解.进行的一些数值试验表明了所提出的算法比现有的一些算法具有竞争优势.     

Hilbert格上双参数广义变分不等式问题解映射的保序性

本文不假设所考虑集值映射的连续性和单调性,在可分Hilbert格上研究广义变分不等式问题的可解性,并将已有结果中单参数广义变分不等式问题解映射的保序性推广到双参数广义变分不等式问题。     

Superlinear Convergence of a Newton-Type Algorithm for Monotone Equations

We consider the problem of finding solutions of systems of monotone equations. The Newton-type algorithm proposed in Ref. 1 has a very nice global convergence property in that the whole sequence of iterates generated by this algorithm converges to a solution, if it exists. Superlinear convergence of this algorithm is obtained under a standard nonsingularity assumption. The nonsingularity condition implies that the problem has a unique solution; thus, for a problem with more than one solution, such a nonsingularity condition cannot hold. In this paper, we show that the superlinear convergence of this algorithm still holds under a local error-bound assumption that is weaker than the standard nonsingularity condition. The local error-bound condition may hold even for problems with nonunique solutions. As an application, we obtain a Newton algorithm with very nice global and superlinear convergence for the minimum norm solution of linear programs.This research was supported by the Singapore-MIT Alliance and the Australian Research Council.     

不等式约束优化一个新的SQP算法

本文提出了一个处理不等式约束优化问题的新的SQP算法．和传统的SQP算法相比，该算法每步只需求解一个仅含等式约束的子二次规划，从而减少了算法的计算工作量．在适当的条件下，证明算法是全局收敛的且具有超线性收敛速度．数值实验表明算法是有效的．     

解凸可行问题的一个带中心技术的外推平行次梯度投影算法（英文）

In this paper,we present an extrapolated parallel subgradient projection method with the centering technique for the convex feasibility problem,the algorithm improves the convergence by reason of using centering techniques which reduce the oscillation of the corresponding sequence.To prove the convergence in a simply way,we transmit the parallel algorithm in the original space to a sequential one in a newly constructed product space.Thus,the convergence of the parallel algorithm is derived with the help of the sequential one under some suitable conditions.Numerical results show that the new algorithm has better convergence than the existing algorithms.     

非线性约束条件下的SQP可行方法

本文对非线性规划问题给出了一个具有一步超线性收敛速度的可行方法。由于此算法每步迭代均在可行域内进行，并且每步迭代只需计算一个二次子规划和一个逆矩阵，因而算法具有较好的实用价值。本文还在较弱的条件下证明了算法的全局收敛和一步超线性收敛性。     

Convergence of over-relaxed contraction-proximal point algorithm in Hilbert spaces

The proximal point algorithm (PPA) is a classical method for finding zeros of maximal monotone operators. It is known that the algorithm only has weak convergence in a general Hilbert space. Recently, Wang, Wang and Xu proposed two modifications of the PPA and established strong convergence theorems on these two algorithms. However, these two convergence theorems exclude an important case, namely, the over-relaxed case. In this paper, we extend the above convergence theorems from under-relaxed case to the over-relaxed case, which in turn improve the performance of these two algorithms. Preliminary numerical experiments show that the algorithm with over-relaxed parameter performs better than that with under-relaxed parameter.     

A smoothing Levenberg-Marquardt algorithm for solving a class of stochastic linear complementarity problem

In this paper, it is considered for a class of stochastic linear complementarity problems (SLCPs) with finitely many elements. A smoothing Levenberg-Marquardt algorithm is proposed for solving the SLCP. Under suitable conditions, the global convergence and local quadratic convergence of the proposed algorithm is given. Some numerical results are reported in this paper, which confirms the good theoretical properties of the proposed algorithm.     

Robin型离散Schwarz波形松弛算法的收敛性分析

Schwarz波形松弛(Schwarz waveform relaxation,SWR)是一种新型区域分解算法,是当今并行计算研究领域的焦点之一,但针对该算法的收敛性分析基本上都停留在时空连续层面.从实际计算角度看,分析离散SWR算法的收敛性更重要.本文考虑SWR研究领域中非常流行的Robin型人工边界条件,分析时空离散参数t和x、模型参数等因素对算法收敛速度的影响.Robin型人工边界条件中含有一个自由参数p,可以用来优化算法的收敛速度,但最优参数的选取却需要求解一个非常复杂的极小-极大问题.本文对该极小-极大问题进行深入分析,给出最优参数的计算方法.本文给出的数值实验结果表明所获最优参数具有以下优点:(1)相比连续情形下所获最优参数,利用离散情形下获得的参数可以进一步提高Robin型SWR算法在实际计算中的收敛速度,当固定t或x而令另一个趋于零时,利用离散情形下所获参数可以使算法的收敛速度具有鲁棒性(即收敛速度不随离散参数的减小而持续变慢).(2)相比连续情形下所获收敛速度估计,离散情形下获得的收敛速度估计可以更加准确地预测算法的实际收敛速度.     

On the Convergence of the Factorization Update Algorithm

In this paper, we make a Kantorovich-type analysis for the spares Johnson and Austria's algorithm given in [2], which is called factorization update algorithm. When the mapping is linear, it is shown that a modification of that algorithm leads to global and Q-superlinear convergence. Finally, we point out the modification is also of local and Q-superlinear convergence for nonlinear systems of equations and give its corresponding Kantorovich-type convergence result.     

带非精确线搜索的调整搜索方向DFP算法

本文介绍一类新的带调整搜索方向的Broyden算法．我们着重讨论带调整搜索方向的DFP算法的收敛性，在某些非精确线搜索的情况下，我们证明对连续可微目标函数，这算法是整体收敛的，而对一致凸目标函数，收敛速度是一步超线收敛的．从这篇文章的证明过程中，可以得到对一致凸目标函数，DFP算法具有一步超线形收敛．     

求解约束优化问题的一个对偶算法

１．引言 考虑下述形式的不等式约束优化问题：其中 ＝０,１,…,ｍ,是连续可微函数．求解（１．１）的数值方法有很多,传统方法有乘子法,序列一次规划方法,等等（见 Ｂｅｒｔｓｅｋａｓ（１９８２）, Ｈａｎ（１９７６, １９７７））．近年来对求解（１．１）的原始－对偶算法的研究已成为非线性规划领域的新的热点,如ＥＩ－Ｂａｋｒｙ,Ｔａｐｉａ,Ｔｓｕｃｈｉｙａ　＆　Ｚｈａｎｇ（１９９６）,Ｙａｍａｓｈｉｔａ（１９９２,１９９６,１９９７）等;尽管这些原始－对偶算法具有好的收敛性质和计算效果,但其算法结构相对…