逐次超松弛迭代中的松弛因子

基于线性方程组中逐次超松弛(SOR)迭代结构的认识,多角度地考虑迭代构造的松弛因子,即作为修正常数、加权系数、组合系数和变形系数的松弛因子.这样多方面的理解必然有利于SOR类方法的更灵活掌握与运用.     

鞍点问题的修正对称超松弛迭代算法

为了提高求解鞍点问题的迭代算法的速度,通过设置合适的加速变量,对修正超松弛迭代算法（简记作MSOR-like算法）和广义对称超松弛迭代算法（简记作GSSOR-like算法）进行了修正,给出了修正对称超松弛迭代算法,即MSSOR-like （modified symmetric successiveover-relaxation）算法,并研究了该算法收敛的充分必要条件.最后,通过数值例子表明,选择合适的参数后,新算法的迭代速度和迭代次数均优于MSOR-like （modified successive overrelaxation）和GSSOR-like （generalized symmetric successive over-relaxation）算法,因此,它是一种较好的解决鞍点问题的算法.     

关于位移线性方程组的加速超松弛迭代算法

本文研究关于系数矩阵为位移埃尔米特和位移反埃尔米特矩阵的复线性方程组的简便而有效的分裂迭代算法及其收敛性质.由于复系数线性方程组的系数矩阵由实部和虚部组成,运用松弛加速技术,我们得到了求解位移线性方程组的加速超松弛迭代算法,并分析了这类算法的收敛性质.数值算例表明,这类加速超松弛迭代算法是可行且有效的.     

势函数的一种快速反演算法

用CT中的滤波反投影法给出了Laplace方程Dirichlet边值问题解的表达式.这不仅提供了势函数求解的一种快速算法,而且有助于揭示一般区域上Green函数的形式与性质.     

基于快速成像反演算法的地表温度反演可视化技术研究

当前主流的地表温度检测方式是通过遥感反演以及地面实地检测,其中遥感反演虽然检测范围面积较广,但是检测精度较低.利用WATERSHED快速成像反演算法与WATERSHED快速成像反演算法对无锡花海活动进行地表温度的数据分析以及可视化显示,利用算法的优点提高地表温度反演可视化效果.最后利用FAHP模型对快速成像反演算法在地表温度反演可视化实际效果进行评价.结果表明,快速成像反算法可以有效地提高地表温度的反演可视化效果.     

一类加速的模系对称超松弛迭代方法定价双资产美式期权

构造和研究了一类加速的模系对称超松弛迭代方法,用来求解由双资产美式期权定价模型离散出来的线性互补问题.理论分析给出该算法的收敛性条件.数值实验表明,该方法对于求解双资产美式期权定价模型是有效的,并且优于经典的模系超松弛迭代方法和模系对称超松弛迭代方法.     

求解病态线性方程组的预处理精细积分法

为降低病态线性方程组系数矩阵的条件数,根据矩阵行(列)均衡的思想,提出行(列)的1-范数均衡法,并扩展为范数均衡法.然后,将范数均衡法与精细积分法相结合,给出求解病态线性方程组的范数均衡预处理精细积分法.数值结果表明,经过范数均衡预处理后精细积分法求解病态方程的精度(有效数字增加5个以上)和效率(迭代次数降低15次左右)均能得到显著提高,适用范围在一定程度上也有所扩展.在上述方法中,以1-范数均衡预处理精细积分法效果最为显著.     

关于并行迭代区域分解算法的松弛因子

1引言考虑二阶椭圆型Dirichlet边值问题的弱形式,求u∈H_0~1(Ω)使得a(u,v)=(f,v),(?) v∈H_0~1(Ω),(1)其中Ω是平面多角形区域,f∈L~2(Ω),(f,v)=∫_Ωfvdx,a(u,v)=∫_Ω(sum from i,j=1 to 2 a_(ij)(?)u/(?)x_i(?)等 a_0uv)dx,其中[a_(ij)]在Ω上对称一致正定,a_(ij)在Ω上分片连续有界,a_0≥0．由Lax-Milgram引理,问题(1)在H_0~1(Ω)中有唯一解．     

病态代数系统求解的精细迭代方法

提出了病态代数系统求解的精细迭代方法．首先利用一个小参数对病态矩阵加以改良,将原病态系统的求解问题转化为该改良系统的求解问题．然后利用精细积分法给出了改良矩阵求逆的高精度方法．该方法具有高精度、高效率的优点,且对改良参数的适应性较好,具有良好的应用前景．理论和数值分析证明了该方法的有效性．     

特征值反问题的迭代解法

§1.引言 近年来,由于许多应用科学,如地球物理、海洋、地质、声学、光学、量子力学和识别等问题的需要,提出了特征值反问题和广义特征值反问题.这些问题形成一类区别于经典代数特征值问题的复杂非线性问题.这类问题中只有少量在理论上、数值上有一些求解的方法,前人的工作主要集中于sturm-Liouville反问题,见[1,2,3,4].本文讨论下列各种特征值反问题:     

基于新增确诊数据和光滑算子对FUDAN-CCDC模型反演算法的改进

2019年12月,新型冠状病毒肺炎(Corona-Virus-Disease,COVID-19)的疫情被人们识别认知,全世界都开始重视这个疫情.截至2020年4月21日24时,全球已累计确诊2 568 603例.科学地预测疫情发展趋势对疫情防控至关重要.FUDAN-CCDC模型用于国内疫情的预测产生了很好的效果,但是在用于欧美国家的疫情分析预测时效果不是很理想.本文对FUDAN-CCDC模型的优化目标进行了改进,考虑了新增数据的拟合,并考虑了欧美疫情数据的周末现象,提出对数据进行光滑预处理.新加入的两种可能的反演优化目标的改变,会对零增时间有较大的影响.在此基础上进一步发展的算法,可以得到更好的拟合和预测效果.     

连续Sylvester方程的广义正定和反Hermitian分裂迭代法及其超松弛加速

对于求解大型稀疏连续Sylvester方程,Bai提出了非常有效的Hermitian和反Hermitian分裂(HSS)迭代法.为了进一步提高求解这类方程的效率,本文建立一种广义正定和反Hermitian分裂(GPSS)迭代法,并且提出不精确GPSS(IGPSS)迭代法从而可以降低计算成本.对GPSS迭代法及其不精确变...     

线性互补问题的并行多分裂松弛迭代算法

运用矩阵多重分裂理论,同时考虑并行计算与松弛迭代法,得到一类求解线性互补问题的高效数值算法．当问题的系数矩阵为对角元为正的H-矩阵或对称半正定矩阵时,证明了算法的全局收敛性；该算法与已有算法相比,具有计算量小、计算速度快等特点,因而特别适于求解大规模问题．数值试验的结果说明了算法的有效性．     

非Hermite线性方程组的若干预处理迭代算法

非Hermite线性方程组在科学和工程计算中有着重要的理论研究意义和使用价值,因此如何高效求解该类线性方程组,一直是研究者所探索的方向.通过提出一种预处理方法,对非Hermite线性方程组和具有多个右端项的复线性方程组求解的若干迭代算法进行预处理,旨在提高原算法的收敛速度.最后通过数值试验表明,所提出的若干预处理迭代算法与原算法相比较,预处理算法迭代次数大大降低,且收敛速度明显优于原算法.除此之外,广义共轭A-正交残量平方法(GCORS2)的预处理算法与其他算法相比,具有良好的收敛性行为和较好的稳定性.     

一个超可积族的非线性超可积耦合及其超哈密顿结构（英文）

Nonlinear super integrable couplings of a super integrable hierarchy based upon an enlarged matrix Lie super algebra were constructed. Then its super Hamiltonian structures were established by using super trace identity, and the conserved functionals were proved to be in involution in pairs under the defined Poisson bracket. As its reduction,special cases of this nonlinear super integrable couplings were obtained.     

线性互补问题的异步并行多分裂松弛迭代算法

将求解线性方程组的异步并行多分裂松弛迭代算法推广到线性互补问题.当问题的系数矩阵为H-矩阵类时,证明了算法的全局收敛性.     

非线性方程组超松弛投影方法的收敛性

设有非线性方程组U(x)=0,V(x)=0 (x∈R~2)我们证明了下列超松弛投影迭代格式z_n=x_n-μ(U(x_n))/(‖▽U(x_n)‖~2)▽U(x_n)),x_(n 1)=z_n-v(V(z_n))/(‖▽V(z_n)‖~2)▽V(z_n),0<μ,v<2,n=0,1,2,……具有几何收敛速度.     

求解Hilbert矩阵线性方程组的SOR迭代预处理方法

选择了求解Hilbert矩阵线性方程组的三种数值解方法,提出了SOR迭代中的松弛因子的预处理方法,比较了高斯-赛德尔迭代和SOR迭代数值解的迭代收敛次数,并给出了SOR迭代收敛最快时的松弛因子取值.最后通过SOR迭代解分量及误差范围,说明了提出的SOR迭代预处理方法是有效的.     

区间上反N型函数的迭代根

讨论了区间I＝[0,1]上的所有反N型（即减－增－减型）函数的迭代根问题。     

特征值问题的自适应反迭代有限元算法

1引言设Ω∈R~2为Lipschitz单连通的有界闭区域,X为定义在Ω的Sobolev空间,a(·,·)和b(·,·)为X×X→C的有界双线性或半双线性泛函,考虑变分特征值问题:求(λ,u≠0)∈C×X使得a(u,v)=λb(u,u),(?)u∈X,其中a(·,·)满足X上的"V-强制性"条件或者连续的inf-sup条件,设M_h为Q区域上的正则三角形剖分,X_h∈X为定义在M_h有限元子空间,上述变分问题对应的有限元离散问题为:求(λ_h,u_h)∈R×X,u_h≠0使得