一类非对称变分不等式的非精确交替方向法

对一类非对称变分不等式问题提出了一种非精确交替方向法,对其中一个子问题(非线性方程组)的计算仅需要达到一个相对的精度,研究了迭代序列的若干性质,并证明了算法的全局收敛性.     

求解结构型单调变分不等式的投影类交替方向法

基于Han D提出的交替方向法,通过一系列的改进,对Ye C提出的结构型单调变分不等式问题给出了一种新的投影类交替方向法.新方法具有如下特点:每次迭代只需计算一次正交投影和几个函数值,这比Ye C的方法简单;方法产生的迭代点列关于问题的解集具有非扩张性;方法产生的步长一致有正下界.在解集非空和函数单调的条件下,方法具有全局收敛性.最后给出了初步的数值试验.     

一类非对称单调变分不等式的自适应交替方向法

对一类非对称变分不等式问题提出了一类自适应交替方向法,研究了迭代序列的若干性质,并证明了算法的收敛性。     

解线性变分不等式问题的神经网络方法

研究了一类线性变分不等式问题，将线性变分不等式问题的解转化为一个神经网络的平衡点，利用分析技巧，给出了所提出的神经网络的所有解全局指数收敛到变分不等式的解的一些充分条件，同时得到指数收敛率的估计，从而得到求线性变分不等式问题的解的神经网络方法，便于实际应用。     

求解变分不等式问题的一个投影算法

基于D. Han提出的求解变分不等式问题的推广的近似点算法(generalized proximal method), 本文提出了一个新的改进算法.该算法的最大特点是在每一步只需要近似求解一个线性方程组系统.在适当条件下证明了算法的全局收敛性.     

一个求解变分不等式问题的投影算法

基于D.Han提出的求解变分不等式问题的推广的近似点算法(generalized proximal method),提出了一个新的改进算法,该算法的最大特点是在每一步只需要近似求解一个线性方程组系统.并在适当条件下证明了算法的全局收敛性.     

用带广义可变罚因子的交替方向法求解变分不等式

交替方向法中的罚因子一般取为一个数列 ,给出了求解带线性约束的变分不等式的一种交替方向法 ,即罚因子取为正定对称矩阵序列 ,证明了该算法的性质。     

用带广义可变罚因子的交替方向法求解变分不等式

交替方向法中的罚因子一般取为一个数列,给出了求解带线性约束的变分不等式的一种交替方向法,即罚因子取为正定对称矩阵序列,证明了该算法的性质。     

一种求解单调变分不等式的下降型邻近点交替方向乘子法

针对具有可分结构的单调变分不等式问题,基于邻近点算法和文献[12]提出的下降型算法构造了一个新的下降方向,并利用下降量的下界来选择最优步长,提出一种下降型邻近点交替方向乘子法;证明了算法的收敛性;并将该方法与文献[11]中算法的下降量下界进行比较,从理论上说明了算法的优越性。     

一种新的求解变分不等式问题的外梯度投影算法

给出了一种新的求解变分不等式问题的外梯度投影算法．在较弱的条件下证明了算法的全局收敛性，并分析了算法的线性收敛速度。     

一种求解广义变分不等式问题的新方法

给出了一种求解广义变分不等式问题的新方法,并在较弱的条件下证明了算法的全局收敛性和线性收敛性;并且研究了在不精确情况下的全局收敛性.     

解一类变分不等式问题的半内点同伦方法

求解含有等式与不等式约束条件变分不等式问题的半内点组合同伦方程, 在较弱的条件下证明从Rⁿ内任意一点出发的同伦路径的存在性、 有界性和收敛性, 并利用数值算例验证半内点组合同伦方法求解含等式与不等式约束条件变分不等式问题的可行性和有效性.     

求解强单调变分不等式问题的快速收敛方法

构造一个新的效用函数,并研究该效用函数的性质,从而给出了一个求解强单调变分不等式问题的快速收敛方法,并证明了该方法的整体收敛性和二次收敛率.     

解变分不等式问题的QP-free方法

提出一种新的QP-free方法解变分不等式问题.通过光滑化的Fischer-Burmeister函数,把变分不等式的KKT优化条件转换为一个简单的约束优化问题,并给出了解这个约束优化问题的迭代算法.这个方法的主要优点是：①能够解任意的变分不等式问题;②每步迭代只需解一个线性方程组;③算法是全局收敛的,在一定条件下是超线性收敛的.数值试验结果表明,这个算法是有效的.     

求解变分不等式问题的瀑布型多重网格法

考虑求解一类模型变分不等式问题的瀑布型多重网格法。在适当的条件下，通过谱分析，得到了算法的收敛法。     

求解非凸两分块优化问题的Majorized Bregman交替方向乘子法

针对一类两分块非凸优化问题，提出Majorized 带Bregman距离的交替方向乘子法。为了使问题的子问题更易求解，对目标函数中的光滑项进行极大化线性处理，并对x子问题和y子问题同时添加一个Bregman距离。在适当的假设条件下，建立了算法的全局收敛性。同时，在效益函数满足KL性质时，建立了算法的强收敛性。数值实验结果验证该算法的有效性。