欧氏空间自映射不动点算法与Brouwer不动点定理

本文给出计算欧氏空间连续自映射不动点的一种单纯同伦算法,并得到计算收敛的一个充分条件。著名的Brouwer不动点定理是上述充分条件的一个直接推论。     

一类积分方程的五解定理

利用H.Amann的一个不动点定理及锥拉伸锥压缩不动点定理讨论了一类Hammerstein型积分方程的正解,得到了一个五解定理.     

扭转映射的不动点与常微分方程的周期解

<正> 1.引言本文的内容有两个部分.第一部分(§2、§3),我们从两个不同的方面对经典的 Poinca-ré-Birkhoff 不动点定理加以推广.第二部分(§4),我们利用第一部分中得到的不动点定理,研究二阶常微分方程周期解的存在性.Poincaré在晚年研究限制性三体问题时,提出了一个不动点定理.Poincaré本人没有     

不动点的单纯型算法

不动点理论是处理非线性问题的一个重要工具,非线性规划、数理经济学和其他应用领域中的许多问题都可归结为不动点问题,早在1912年,Brouwer就证明了著名的不动点定理,之后又有了Schauder、Kakutani等人的各种推广,但这些结果都是作为存在性定理(非构造方式)来处理问题的.直到十余年前才出现计算不动点的数值方法,从而形成了“不动点算法”这一迅速发展的数学新分支.第一代不动点算法是Scarf于1967年提出来的,他引进了所谓“本原集”的概念和“替代步骤的唯一性”,并利用Sperner引理和Brouwer不动点定理,得到了计算不动点近     

二维Brouwer不动点定理的改进

<正> Brouwer不动点定理是拓扑学中一个著名的定理.特别,二维Brouwer不动点定理断言:若f是单位闭圆盘到自身的连续映射,则f必有不动点.即存在z∈,使得f(z)=z. 原条件不变,本文用较初等的方法将二维Brouwer不动点定理的结论改进为:对任     

用不动点算法解非线性方程组的一种方法

1967年,Scarf第一次给出了Brouwer不动点定理的构造性证明。此后,形成了不动点算法或称单纯形算法,在经济数学,规划问题、两点边值问题以及非线性方程组数值解等方面得到了广泛的应用。     

Brouwer定理与均衡价格

本文详细论述了在一般均衡体系中均衡价格存在性定理与Brouwer不动点定理是等价的。即，均衡价格π ζ（π）≤0就是Brouwer定理中的不动点x^∧ f(x^∧)=x^∧并给出证明。这一等价性为计算均衡价格提供了坚实的理论依据，从而肯定了利用Brouwer定理寻找不动点的方法计算均衡价格的计算方法是可靠的。因此具有特别重要的实用意义。     

不动点与平衡点

介绍Brouwer不动点定理、Kakutani不动点定理与数理经济学中平衡点和博弈论中Nash平衡点存在性定理的等价性结果.     

不动点与平衡点

介绍Brouwer不动点定理、Kakutani不动点定理与数理经济学中平衡点和博弈论中Nash平衡点存在性定理的等价性结果.     

非线性Sturm—Liouville边值问题的多重非负解

利用上下解方法,锥理论,Schauder不动点定理,Amann不动点定理以及映射度理论研究Sturm—Liouville边值问题（SL．ρ）,在某些特定条件下,得到了有多重非负解的存在性结论．从而一定程度上推广和改进了最近的相关结果．     

一种新的双模式盲均衡算法研究

针对恒模算法(CMA)收敛速度较慢、收敛后均方误差较大的缺点,提出一种新的双模式盲均衡算法.在算法初期,利用能快速收敛的归一化恒模算法(NCMA)进行冷启动,在算法收敛后切换到判决引导(DD-LMS)算法,减少误码率.计算机仿真表明,提出的新算法有较快的收敛速度和较低的误码率.     

A descent algorithm for nonsmooth convex optimization

This paper presents a new descent algorithm for minimizing a convex function which is not necessarily differentiable. The algorithm can be implemented and may be considered a modification of the ε-subgradient algorithm and Lemarechal's descent algorithm. Also our algorithm is seen to be closely related to the proximal point algorithm applied to convex minimization problems. A convergence theorem for the algorithm is established under the assumption that the objective function is bounded from below. Limited computational experience with the algorithm is also reported.     

A rank-one algorithm for unconstrained function minimization

A rank-one algorithm is presented for unconstrained function minimization. The algorithm is a modified version of Davidon's variance algorithm and incorporates a limited line search. It is shown that the algorithm is a descent algorithm; for quadratic forms, it exhibits finite convergence, in certain cases. Numerical studies indicate that it is considerably superior to both the Davidon-Fletcher-Powell algorithm and the conjugate-gradient algorithm.     

遗传算法的物理解释

提出了一种理想化的模拟仿生搜索算法——扰动算法 ,以此方法为基础 ,分析了遗传算法的搜索过程和效率问题 ,阐明了遗传算法作为一种次优算法的有效性 .相对于遗传算法的生物解释 ,本文给出了相应的物理解释 .同时 ,本文为遗传算法、进化策略和模拟退火算法找到了一种统一的物理解释 ,揭示了这些重要的仿生类算法实质上的相似性 .     

基于凸组合共轭梯度法的ARIMA模型参数估计

提出了一种凸组合共轭梯度算法,并将其算法应用到ARIMA模型参数估计中.新算法由改进的谱共轭梯度算法与共轭梯度算法作凸组合构造而成,具有下述特性:1)具备共轭性条件;2)自动满足充分下降性.证明了在标准Wolfe线搜索下新算法具备完全收敛性,最后数值实验表明通过调节凸组合参数,新算法更加快速有效,通过具体实例证实了模型的显著拟合效果.     

基于混合单纯形算法的模糊均值图像分割

针对模糊C均值算法用于图像分割时对初始值敏感、容易陷入局部极值的问题,提出基于混合单纯形算法的模糊均值图像分割算法.算法利用Nelder-Mead单纯形算法计算量小、搜索速度快和粒子群算法自适应能力强、具有较好的全局搜索能力的特点,将混合单纯形算法的结果作为模糊C均值算法的输入,并将其用于图像分割.实验结果表明:基于混合单纯形算法的模糊均值图像分割算法在改善图像分割质量的同时,提高了算法的运行速度.     

蚁群遗传混合算法

将蚁群遗传混合算法分别求解离散空间的和连续空间优化问题.求解旅行商问题的混合算法是以遗传算法为整个算法的框架,利用了蚁群算法中的信息素特性的进行交叉操作;根据旅行商问题的特点,给出了4种变异策略;针对遗传算法存在的过早收敛问题,加入2-0pt方法对问题求解进行了局部优化.与模拟退火算法、标准遗传算法和标准蚁群算法进行比较,4种混合算法效果都比较好,策略D的混合算法效果最好.求解连续空间优化问题是以蚁群算法为整个算法的框架,加入遗传算法的交叉操作和变异操作,用测试函数验证了混合蚁群算法的正确性.     

负权最短路问题的新算法

Bellman-Ford算法自1958年以来一直是负权最短路问题的公认的最好算法之一．1970年,Yen对其进行了改进,理论上可以节省一半的计算量．本文得到了一种比Bellman-Ford算法更加优越的算法．尽管在理论上新算法无法保证完全超越于Yen的改进算法,但在许多情况下需要更少的计算量．     

基于固定序的Bellman-Ford算法的改进

固定序算法是Bellman-Ford算法的一种基本改进算法。为了改变固定序算法在稀疏图上的劣势,本文通过预先订制参与迭代的点的计算顺序,对该算法进行了改进。实验表明,在稀疏图上, 改进后的算法相对于原算法计算效率提高了近50%, 并能够与国际流行的先进先出算法相媲美。本文的工作表明,固定序算法不仅在大规模稠密图上具有明显的优势,而且在稀疏图上也具有很强的竞争力。     

A New Diagonal Quasi-Newton Updating Method With Scaled Forward Finite Differences Directional Derivative for Unconstrained Optimization

A new diagonal quasi-Newton updating algorithm for unconstrained optimization is presented. The elements of the diagonal matrix approximating the Hessian are determined as scaled forward finite differences directional derivatives of the components of the gradient. Under mild classical assumptions, the convergence of the algorithm is proved to be linear. Numerical experiments with 80 unconstrained optimization test problems, of different structures and complexities, as well as five applications from MINPACK-2 collection, prove that the suggested algorithm is more efficient and more robust than the quasi-Newton diagonal algorithm retaining only the diagonal elements of the BFGS update, than the weak quasi-Newton diagonal algorithm, than the quasi-Cauchy diagonal algorithm, than the diagonal approximation of the Hessian by the least-change secant updating strategy and minimizing the trace of the matrix, than the Cauchy with Oren and Luenberger scaling algorithm in its complementary form (i.e. the Barzilai-Borwein algorithm), than the steepest descent algorithm, and than the classical BFGS algorithm. However, our algorithm is inferior to the limited memory BFGS algorithm (L-BFGS).