约束Fractional Tikhonov正则化的模迭代方法

反问题是现在数学物理研究中的一个热点问题,而反问题求解面临的一个本质性困难是不适定性。求解不适定问题的普遍方法是:用与原不适定问题相“邻近”的适定问题的解去逼近原问题的解,这种方法称为正则化方法.如何建立有效的正则化方法是反问题领域中不适定问题研究的重要内容.当前,最为流行的正则化方法有基于变分原理的Tikhonov正则化及其改进方法,此类方法是求解不适定问题的较为有效的方法,在各类反问题的研究中被广泛采用,并得到深入研究.     

分析结构非线性问题的杂交可变基Galerkin方法

基于渐近摄动理论和Galer-kin方法,本文提出分析结构非线性问题的杂交可变基Galer-kin方法。本文方法首次引入可变基函数的概念,可大幅度降低计算量,而且在有限元法等数值方法中易于推广应用,在解决非线性问题领域有广泛应用前景。最后本文分析圆板大挠度问题和扁球壳大挠度问题,以验证本文方法的有效性。     

一类具有连续变量的全局最优化问题的凸化方法

本文研究了一类非凸最优化问题的凸化方法与最优性条件的问题.利用构造含有参数的函数变换方法,将具有次正定性质的目标函数凸化,并获得了这一类非凸优化问题全局最优解的充要条件,推广了凸化方法在求解全局最优化问题方面的应用.     

带自由变量的广义几何规划全局求解的新算法

带自由变量的广义几何规划(FGGP)问题广泛出现在证券投资和工程设计等实际问题中.利用等价转换及对目标函数和约束函数的凸下界估计,提出一种求(FGGP)问题全局解的凸松弛方法.与已有方法相比,方法可处理符号项中含有更多变量的(FGGP)问题,且在最后形成的凸松弛问题中含有更少的变量和约束,从而在计算上更容易实现.最后数值实验表明文中方法是可行和有效的.     

运输问题的合作对策求解方法

产地间或销地间往往存在竞争,在这种情况下,使用运输问题最优化方法是不合理的。因此,从个体理性的视角提出运输问题的合作对策求解方法,方法将运输问题看作是一个博弈问题,各个产地或销地是博弈的局中人,求解其纳什均衡与纳什讨价还价解。在此基础上,说明了运输问题的非合作形式是一个指派问题,并证明指派问题的最优解是一个纳什均衡点。接着,通过实验验证运输问题的最优解是一个纳什讨价还价解,满足产地或销地的自身利益。在此基础上,针对纳什讨价还价解不唯一的问题,从决策者的视角给出最大可能激励成本的计算方法。最后,为弥补纳什讨价还价解不唯一及纳什讨价还价解不允许出现子联盟的缺陷,给出运输收益分配或成本分摊的Shapely值计算方法。     

一类多商品设施选址问题的基于线性松弛解的启发式方法

多商品设施选址问题是众多设施选址问题中一类重要而困难的问题.在这一问题中,顾客的需求可能包含不止一种商品.对于大规模问题,成熟的商业求解器往往不能在满意的时间内找到高质量的可行解.研究了无容量限制的单货源多商品设施选址问题的一般形式,并给出了应用于此类问题的两个启发式方法.这两个方法基于原选址问题的线性规划松弛问题的最优解,分别通过求解紧问题和邻域搜索的方式给出了原问题的一个可行上界.理论分析指出所提方法可以实施于任意可行问题的实例.数值结果表明所提方法可以显著地提高求解器求解此类设施选址问题的求解效率.     

关于特征值的平方和的注记

探讨了特征值的平方和这一计算问题,指出了常用方法的不足之处,并在深入研究方阵相似的基础之上弥补了这一不足,彻底解决了这一问题,此外运用这种方法还能解决特征值高次幂之和与多项式之和的计算问题.最后文中给出了一种新的计算特征值平方和的方法,这种方法能够回避第一种方法的不足,但缺点是不易推广.     

正交约束优化问题的一阶算法

带有正交约束的矩阵优化问题在材料计算、统计及数据分析等领域中有着广泛的应用.由于正交约束的可行域是Stiefel流形,一直以来流形上的优化方法是求解这一问题的主要方法.近年来,随着实际应用问题所要求的变量规模的扩大,传统的流形优化方法在计算上的劣势显现出来,而一些迭代简单、收敛快的新算法逐渐被提出.通过收缩方法、非收缩可行方法、不可行方法三个类别分别来介绍求解带有正交约束的矩阵优化问题的最新算法.通过分析这些方法的主要特性,以及应用问题的要求,对这类问题算法设计的研究进行了展望.     

具有全局收敛性的求解对称非线性方程组的一个修改的信赖域方法

本文给出一个求解非线性对称方程组问题的修改的信赖域方法,在适当的条件下我们将建立此方法的全局收敛性.对给定的问题而言,数值结果表明此方法是有效的.     

求解椭圆方程柯西问题的修正吉洪诺夫正则化方法

研究了一类变系数椭圆方程的柯西问题,这类问题出现在很多实际问题领域.由于问题的不适定性,不可能通过经典的数值方法来求解上述问题,必须引入正则化手段.采用了一种修正吉洪诺夫正则化方法来求解上述问题.在一种先验和一种后验参数选取准则下,分别获得了问题的误差估计.数值例子进一步显示方法是稳定有效的.     

蒙特卡罗方法计算定积分的进一步讨论

介绍了蒙特卡罗方法计算定积分的原理和方法.给出了用蒙特卡罗方法计算定积分的一个简单证明,从而揭示了蒙特卡罗方法和定积分定义间的内在联系.针对蒙特卡罗方法收敛慢的特点,提出将蒙特卡罗方法与相应的数值计算方法相结合,提高计算结果的精度.此外,将蒙特卡罗方法推广到反常积分上去.     

一种无约束全局优化的水平值下降算法

本文研究无约束全局优化问题,建立了一种新的水平值下降算法(Level-value Descent Method,LDM).讨论并建立了概率意义下取全局最小值的一个充分必要条件,证明了算法LDM是依概率测度收敛的.这种LDM算法是基于重点度取样(Improtance Sampling)和Markov链Monte-Carlo随机模拟实现的,并利用相对熵方法(TheCross-Entropy Method)自动更新取样密度,算例表明LDM算法具有较高的数值精度和较好的全局收敛性.     

椭圆边值问题的概率算法

本文重新建立了椭圆边值问题的概率模型,在Ｍｏｎｔｅ－Ｃａｒｌｏ算法的基础上,引入了一种新的高精度概率算法,取得很大进展．     

一种新的求总极值的水平值估计算法

提出了一种求解总极值问题的新水平值估计算法. 为此, 引入一类变差函数并研究它的性质; 给出基于变差函数的全局最优性条件, 并构造出一种求总极值的水平值估计算法. 为了实现这种算法, 采用了基于重点样本技术的Monte-Carlo方法来计算变差,并利用相对熵算法的主要思想更新取样密度.初步的数值实验说明了算法的有效性.     

Quasi-Monte Carlo Sampling for Solving Partial Differential Equations by Deep Neural Networks

Solving partial differential equations in high dimensions by deep neural networks has brought significant attentions in recent years. In many scenarios, the loss function is defined as an integral over a high-dimensional domain. Monte-Carlo method, together with a deep neural network, is used to overcome the curse of dimensionality, while classical methods fail. Often, a neural network outperforms classical numerical methods in terms of both accuracy and efficiency. In this paper, we propose to use quasi-Monte Carlo sampling, instead of Monte-Carlo method to approximate the loss function. To demonstrate the idea, we conduct numerical experiments in the framework of deep Ritz method. For the same accuracy requirement, it is observed that quasi-Monte Carlo sampling reduces the size of training data set by more than two orders of magnitude compared to that of Monte-Carlo method. Under some assumptions, we can prove that quasi-Monte Carlo sampling together with the deep neural network generates a convergent series with rate proportional to the approximation accuracy of quasi-Monte Carlo method for numerical integration. Numerically the fitted convergence rate is a bit smaller, but the proposed approach always outperforms Monte Carlo method.     

一种面板数据分位数回归模型的工具变量方法

本文将工具变量分位数回归模型(IVQR)应用到面板数据中,结合Canay对面板分位数回归的两步估计法以及Chernozhukov对IVQR模型的估计方法,提出了两步面板分位数工具变量估计法(2S-IVFEQR),并给出相应的参数估计。本文提出的方法较已有的方法计算复杂度低,蒙特卡洛模拟结果显示在数据量不大或者处理长面板数据时,2S-IVFEQR方法要优于传统的IVFEQR方法,且运算时间短。     

用矩匹配方法计算非线性风险度

矩匹配方法是用来求解非线性风险度(Value at Risk，简称：VaR)的一种普遍性方法，它是先假定样本经验分布服从已知分布族，然后运用矩匹配估计方法估计相应的参数，得到资产回报样本的密度函数，再计算风险度VaR；本采用的Johnson分布族是矩匹配方法的直接应用，并且计算出来的结果与局部Monte．Carlo结果进行了比较。并通过实证分析认为这种方法是一种良好的计算非线性VaR方法。     

一个求总极值的实现算法及其收敛性

1978年,郑权等首先提出了一种用积分─水平集求总极值的方法及用Monte－Carlo随机投点实现的实现其法,其实现算法是否收敛未解决的问题．本文提出一种用数论方法实现的实现算法,并证明了该实现其法是收敛的．初步的数值结果表明,该实现其法是较有效的．     

A tool for teaching Monte-Carlo simulation without really meaning it

A method is presented which, although intended as an empirical tool in teaching statistical quality control, has proved to be a very efficient introduction to the technique of Monte-Carlo simulation.     

���и���Լ����������Ľ���D-�������

It is difficult to get an accurate optimum design when the experimental design area is very irregular under complex constraints. This paper constructs a random search algorithm for mixture experiments designed (MDRS). Firstly, generating an initial points set in areas with complex constraints by the Monte-Carlo method, then use MDRS algorithm iterative to approximate optimum set. By way of example verification, this method is effective. It can be used as a standard measure of other designs, that is the only effective when given superior to other designs approximate optimal solution.