有限簇多值Φ-拟伪压缩型映射公共不动点的迭代程序

引入具误差的修正Mann和Ishikawa迭代程序及多值Φ-拟伪压缩型映射,在一致光滑实Banach空间证明了此迭代序列强收敛于具广义Lipschitzian连续的（一般未必连续或有界）多值Φ-拟伪压缩型映射有限簇的唯一公共不动点,统一和发展了包括王林和王刚（2006年）、周海云（2006年）、HUANG（2002年）、曾六川（2005年）、徐裕光（2004年）、张石生（2000年）和倪仁兴（2001和2002年）等近期许多相关结果.     

有限簇多值Φ-拟伪压缩型映射公共不动点的迭代程序

引入具误差的修正Mann和Ishikawa迭代程序及多值Φ-拟伪压缩型映射,在一致光滑实Banach空间证明了此迭代序列强收敛于具广义Lipschitzian连续的(一般未必连续或有界)多值Φ-拟伪压缩型映射有限簇的唯一公共不动点,统一和发展了包括王林和王刚(2006年)、周海云(2006年)、HUANG(2002年)、曾六川(2005年)、徐裕光(2004年)、张石生(2000年)和倪仁兴(2001和2002年)等近期许多相关结果.     

赋范线性空间中渐近伪压缩映象不动点迭代逼近的充要条件

设X是赋范线性空间,K是X的非空闭凸子集,设T:K→k是一致L-Lipschitz的渐近伪压缩映象,在迭代参数{αn}和{βn}的适当假设下,给出了由修改了的具有误差的Ishikawa和Mann迭代程序生成的序列{xn}强收敛于T的不动点的充分必要条件,所得结果取消了谷和堵中{xn}有界的假设,并且推广了     

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．     

Banach空间中广义拟变分包含解的存在与逼近

研究了Banach空间中含k-次增生映射和φ-强增生映射的一类无紧性条件的广义拟变分包含解的存在惟一性与逼近问题，给出了一新的迭代算法和具混合误差的ishikawa迭代序列强收敛到变分包含解的充要条件，所得的结果改进和推广了近期许多相关结果．     

k-次增生型变分包含解的迭代构造

研究一般Banach空间中一类k-次增生型变分包含问题解的存在性及其具混合误差的Ishikawa迭代程序的收敛性问题,给出此迭代程序强收敛于变分包含问题唯一解的充要条件,建立迭代系数{nα}与{nβ}的极限limn→∞nα和limn→∞βn未必为零时迭代程序强收敛于Lipschitz连续的k-次增生型变分包含解的误差估计式.它们是一些已有结果的本质改进和推广.     

渐近非扩张映象的稳定性问题

在一致凸的Banach空间中，研究了渐近非扩张映象的稳定性问题，文中不要求定义域和值域有界；且使用了一种新的方法进行了定理的证明，     

渐近拟非扩张型非自映象的修正Ishikawa Reich-Takahashi迭代逼近问题

给出渐近拟非扩张型的非自映象定义,并对其引入了一个新的修正的Ishikawa Reich-Takahashi迭代程序。在一致凸Banach空间中讨论了此迭代序列的强收敛性,获得了此迭代序列强收敛到渐近拟非扩张型非自映象的不动点的相关结论。改进和发展了文献[1-10]的相关结果。     

2个有限族广义依中心意义的渐近非扩张非自映像公共不动点定理

在任意实的Banach空间中,对于2个有限族广义依中心意义的渐近非扩张非自映像,引入了一种新的带误差修正的广义Ishikawa迭代序列.并在适当条件下,多次巧妙地应用数学归纳法等工具,证明了该迭代序列强收敛于2个映像族的公共不动点.其结果改进和推广了近代许多相关的结果.     

加速牛顿迭代收敛的新方法

提出了加速牛顿迭代收敛的新思想，构造出一类加权牛顿迭代格式，通过选取最优加权因子，使得该格式具有高阶收敛性和较小的渐近误差常数。     

含k-次增生算子的非线性方程的迭代程序

建立了一般Banach空间中含k-次增生算子的非线性方程的带混合误差的Ishikawa迭代序列的强收敛性的一般性定理,所得的是任卫云等和LIU Li-shan等于最近得到的主要结果的多方面的拓广和改进,且所用方法不同于他们．     

Hilbert空间中非扩张映射Noor混合迭代序列的收敛性

在Hilbert空间中介绍了非扩张映射Noor混合迭代序列,并且给出了该迭代序列强收敛于不动点的充分必要条件和弱收敛于不动点的充分条件.     

Hansen和Patrick方法的收敛性

本文主要讨论复空间上带参的 Hansen 和 Patrick 迭代方法,利用三次优函数和优序列的技巧证明了迭代序列的收敛性,建立了相应的收敛定理,并且给出了较精确的误差估计.最后用数值列子来说明方法的有效性.