Banach空间内一类含松弛-(H,η)-调算子的广义混合拟似变分包含组

在Banach空间内,引入和研究了一类新的含松弛-(H,η)-单调算子的广义混合拟似变分包含组.利用松弛-(H,η)-单调算子的豫解算子技巧,给出了求这类广义混合拟似变分包含组近似解的一个新逼近算法,并证明了由这个新算法生成的迭代序列强收敛于该变分包含组的精确解.文章结果改进与推广了近期文献中的相应结果.     

一类比式和问题的全局优化方法

对于一类比式和问题(P)给出一全局优化算法.首先利用线性约束的特征推导出问题(P)的等价问题(P1),然后利用新的线性松弛方法建立了问题(P1)的松弛线性规划(RLP),通过对目标函数可行域线性松弛的连续细分以及求解一系列线性规划,提出的分枝定界算法收敛到问题(P)的全局最优解.最终数值实验结果表明了该算法的可行性和高效性.     

一个局部带优先权的最大多物资网络流问题

给出一个局部带优先权的最大多物资网络流问题(MMFP-LPRI),证明它的解存在,并给出其η-松弛解的定义.通过做辅助网络,并运用程丛电等根据Korte和Vygen于2000年在Young,Garg和K(o|¨)nemann等工作的基础上给出的求最大多种物资网络流问题的ε-近似解的多项式方案设计的一个算法作为子程序进行二分收索建立了一个求所给问题的η-松弛解的拟多项式算法.最后,进行算法分析,证明了所设计的算法的输出结果确实是MMFP-LPRT的一个η-松弛解.     

一类单极等熵流体动力学半导体模型的松弛极限

对一类有短的动量松弛时间的多维等熵流体动力学半导体模型的极限问题进行了讨论.首先构造非线性问题的有初始层的近似解,进而,在归结问题的解存在且有合适的正则性的假设下,证明了原非线性问题的局部古典解的存在性,并且证明了这个解在归结问题解的存在时间区间内收敛到形式近似解.     

基于贝叶斯一稀疏约束正则化方法的地震波形反演

将稀疏约束正则化方法应用于地震波形反演问题.为了减弱对稀疏约束项的光滑性要求,引入贝叶斯推断,产生一组收敛于后验分布的采样点.通过数值算例记录了采样点的条件期望、方差、置信区间等具有统计意义的结果.数值结果表明,在没有光滑性的要求下,稀疏约束正则化方法对孔洞模型和分层模型中的介质边缘有良好的识别能力.特别地,当减少观测数据时,稀疏约束正则化方法仍能获得较好的反演结果.     

0-1多项式规划问题的SDP松弛方法(英)

本文提出了一类新的构造0-1多项式规划的半定规划(SDP)松弛方法. 我们首先利用矩阵分解和分片线性逼近给出一种新的SDP松弛, 该 松弛产生的界比标准线性松弛产生的界更紧. 我们还利用 拉格朗日松弛和平方和(SOS)松弛方法给出了一种构造Lasserre的SDP 松弛的新方法.     

用于神经网络权值稀疏化的L_(1/2)正则化方法

在保证适当学习精度前提下,神经网络的神经元个数应该尽可能少(结构稀疏化),从而降低成本,提高稳健性和推广精度.本文采用正则化方法研究前馈神经网络的结构稀疏化.除了传统的用于稀疏化的L1正则化之外,本文主要采用近几年流行的L1/2正则化.为了解决L1/2正则化算子不光滑、容易导致迭代过程振荡这一问题,本文试图在不光滑点的一个小邻域内采用磨光技巧,构造一种光滑化L1/2正则化算子,希望达到比L1正则化更高的稀疏化效率.本文综述了近年来作者在用于神经网络稀疏化的L1/2正则化的一些工作,涉及的神经网络包括BP前馈神经网络、高阶神经网络、双并行前馈神经网络,以及Takagi-Sugeno模糊模型.     

半定矩阵秩极小的非凸精确松弛

本文主要研究半定矩阵秩极小问题(P)的非凸精确松弛及其性质.首先,为求解问题(P),我们引入其Schatten p-范数(0＜p＜1)松弛,记为(Sp).其次,通过定义半定限制等距常数和半定限制正交常数,我们给出了问题(P)有唯—解的充分条件.最后,利用半定限制等距性质,我们给出了问题(P)和(Sp)有相同唯一解的充分条件.特别地,对任意0＜p＜1,我们还得到—个一致的精确恢复条件.     

一种求解弹性l_2-l_q正则化问题的算法

给出了一种求解弹性l_{2}-l_{q}正则化问题的迭代重新加权l_{1}极小化算法, 并证明了由该算法产生的迭代序列是有界且渐进正则的. 对于任何有理数q\in(0,1), 基于一个代数的方法, 进一步证明了迭代重新加权l_{1}极小化算法收敛到弹性l_{2}-l_{q}(0相似文献   

矫正低秩相关系数矩阵的松弛序列凸近似方法

本文主要讨论带有秩约束以及简单上下界约束的相关系数矩阵矫正问题的求解方法.该问题可以写成一个含有DC(两个凸函数之差)约束的优化问题,于是考虑利用求解DC优化问题的序列凸近似(SCA)方法求解.然而对本文讨论的问题,经典的序列凸近似方法收敛所需的约束规范不成立,于是,本文提出一种松弛的序列凸近似方法.本文证明当松弛参数趋于零时,松弛的DC问题的稳定点趋于原问题的稳定点.另一方面,可以利用序列凸近似方法求解松弛的DC问题.可以证明,序列凸近似方法生成的一系列凸子问题的解的聚点就是该松弛DC问题的稳定点.数值实验验证了该方法的有效性.     

异步并行矩阵多分裂块松弛迭代算法

1 引言 众所周知,许多微分方程经过差分或有限元离散,即可归结为线性代数方程组 Ax=b,A∈L(R~n)非奇异,x,b∈R~n.(1.1)缘于原问题的物理特性,系数矩阵A∈L(R~n)通常是大型稀疏的,并且具有规则的分块结构。鉴此,文[1]基于矩阵多重分裂的概念,并运用线性迭代法的松弛加速技巧,提出了求解这类大型稀疏分块线性代数方程组的并行矩阵多分裂块松弛迭代算法,并在适当的条件下建立了算法的收敛理论。对于SIMD多处理机系统,这类算法是颇为适用和行之有效的。     

线性规划标准型和整数线性规划最优解的两个注记

本文研究线性规划标准型的基本假设所蕴含的一些性质,并探讨整数线性规划最优解和其松弛问题最优解的关系.首先,分别讨论四种情形下线性规划最优解的性质,即无约束线性规划问题、仅有非负约束的线性规划问题、仅有等式约束的线性规划问题,以及标准线性规划问题系数矩阵的列向量有为零的情形等.然后,构造两族二维整数线性规划,其松弛问题的最优解与其(整数)最优解"相距甚远".     

一类单极等熵流体动力学半导体模型的松弛极限

对一类有短的动量松弛时间的多维等熵流体动力学半导体模型的极限问题进行了讨论．首先构造非线性问题的有初始层的近似解,进而,在归结问题的解存在且有合适的正则性的假设下,证明了原非线性问题的局部古典解的存在性,并且证明了这个解在归结问题解的存在时间区间内收敛到形式近似解．     

一类非线性椭圆组的弱解的部分正则性

本文在较弱的椭圆条件(H_1)和更一般的增长条件(H_5)下,证明了二阶非线性椭圆组弱解的C~(1,σ)-部分正则性.     

基于半定规划松弛的凸二层规划问题算法研究

提出使用凸松弛的方法求解二层规划问题,通过对一般带有二次约束的二次规划问题的半定规划松弛的探讨,研究了使用半定规划(SDP)松弛结合传统的分枝定界法求解带有凸二次下层问题的二层二次规划问题,相比常用的线性松弛方法,半定规划松弛方法可快速缩小分枝节点的上下界间隙,从而比以往的分枝定界法能够更快地获得问题的全局最优解.     

基于松弛策略解半无限规划模型的显式修正算法

讨论了一类线性半无限最优规划模型的求解算法.采用松弛方法解其系列子问题LP(T_k)及DLP(T_k),基于松弛策略和在适当的假设条件下,提出了一个我们称之为显式算法的新型算法.新算法的主要改进之处是算法在每一步迭代计算时,允许丢弃一些不必要的约束.在这种方式下,算法避免了求解系列太大规模的子问题.最后,基于提出的显式修正算法,并与传统割平面方法和已有文献中的松弛修正算法、对同一问题作了初步的数值比较实验.     

泛函微分方程波形松弛方法的收敛稳定北大核心

目前对泛函微分方程波形松弛方法的研究,集中于收敛性.众所周知不稳定的近似方法没有意义,然而罕见关于泛函微分方程松弛方法稳定性的研究工作.首先给出了泛函微分方程波形松弛方法收敛稳定的定义,然后估计波形松弛方法和它的扰动系统生成的两个近似解的差,在常规条件下,推导出差的一个估计.最后利用该估计,得到了泛函微分方程波形松弛方法收敛稳定的充分条件.     

基于两种非凸惩罚函数的稀疏组变量选择

利用正则化方法来进行变量选择是近年来研究的热点.在实际应用中解释变量常常以组的形式存在,通常我们希望将重要的组和组内重要的协变量选择出来,即双重变量选择.基于两种非凸惩罚函数SCAD和MCP,分别提出了稀疏Group SCAD和稀疏Group MCP估计方法,通过分块坐标下降迭代算法,达到组内和组间变量同时稀疏的效果.数值模拟结果表明本文提出的两种方法在模型预测和变量选择能力上优于Group Lasso和稀疏Group Lasso算法.并将该算法有效地应用于实际的初生儿体重数据集分析中.     

带1-范数约束的分裂可行问题的投影算法

本文主要研究带1-范数约束的分裂可行问题的求解算法.用一种交替投影算法,求得了问题的解,提出松弛交替投影算法,改进了直接往闭凸集上投影这一不足,并证明了该算法的收敛性.     

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.