非线性规划的一个可行方向方法

<正> 本文的目的是给出非线性规划问题(P) min(?) f(x),R={x|Ax=b,x≥0}的一个具收敛性的算法.其中,f(x)∈C′,A 是 m×n 阶矩阵(m相似文献   

线性规划问题非唯一最优解的存在条件和解集结构

设线性规划问题为其中A是秩为m的m×n矩阵,m相似文献   

分式线性迭代数列的敛散性及收敛速度

若a_i,b_i0(i=1,2),|a_1 a_2b_1 b_2|≠0,则数列x_10,x_(n+1)=a_1x_n+a_2/b_1x_n+b_2收敛.若迭代过程中,xn(n=1,2,…)全不是φ(x)=a1x+a2/b1x+b2的不动点,则迭代数列{xn}线性收敛.     

分段线性规划算法的一个注记

求解分段线性规划问题inf S(x) s.t.Ax≤b 0≤x≤(?) (1)其中(?)=((?)_1,(?)_2,…,(?)_n)及 b=(b_1,b_2,…,b_m)~T 是已知向量,A 是已知的(m,n)矩阵,元素为 α_(ij)。目标函数 s(x)是分段线性函数。即对[0,(?)_j)(j=1,2,…,n)存在分划0=x_j~(0)相似文献   

惩罚函数法

引言非线性规划问题大致可分为两类:一类是无约束最优化问题:极小化f(x),x=(x_1,…,x_n)~T∈E~n;(0.1)另一类是约束最优化问题:极小化f(x),x=(x_1,…,x_n)~T∈E~n;约束g_j(x)≤0,j=1,…,m;(0.2)h_k(x)=0,k=1,…,l。     

多元线性模型D—最优设计等价性定理的一个统计直观解释

<正> 对于多元线性模型:其中θ=θ(_1,θ_2,…θ_m)~T,Y=(Y_1,Y_2,…Y_k)~T,F(x)=(f(ij)(x)),∑(x)=(σ_(ij)(x)),设所有试验点组成的集合是x,F(x)和∑(x)是x上的已知函数。在x_1,x_2,…x_n∈x上进行了n次     

利用矩阵初等变换求非奇线性对应的表示式

1 问题的提出非奇线性对应即是由表示式确定的齐次坐标(x_1,x_2,x_3)和(x'_1,x'_2,x'_3)之间的对应,在高等几何中,二维射影变换是非奇线性对应。怎样由给定的两组无三点共线的四点a=(a_1,a_2,a_3),b=(b_1,b_2,b_3),c=(c_1,c_2,c_3),d=(d_1,d_2,d_3)和a'=(a'_1,a'_2,a'_3),b'=(b'_1,b'_2,b'_3),c'=(c'_1,c'_2,c'_3),d'=(d'_1,d'_2,d'_3)计算出非奇线性对应(1),使得     

基于新的随机选择方式的随机Kaczmarz算法

正1引言Kaczmarz算法[8]是求解超定相容线性方程组的最受欢迎的方法之一,Ax=b,(1.1)其中矩阵A=(a_(ij))∈C~(m×n)(m≥n),b=(b_1,b_2,…,b_m)~T∈C~m,a_i~T(i=1,2,…,m)表示矩阵A的行.由于其简单且收敛速度快,Kaczmarz算法的应用范围非常广泛,最早是被     

非线性约束凸规划的一个解法及其收敛性

引言 我们讨论如下的非线性约束的数学规划问题(P): 假定f(x)=f(x_1,x_2,…x_n),x=(x_1,x_2,…x_n)~T∈E~n,是一阶连续可微的凸函数,g_j(x)=g_j(x_1,x_2,…x_n)是一阶连续可做的凹函数。对约束集合R,我们作如下假定:对任一x∈R,存在β>0,使得对应于指标集J_β(x)={j|g_j(x)≤β}的指标j,     

约束极值的一个可行方向法

<正> 引言我们讨论下面的约束极值问题(NP):(?)f(x_1,x_2,…,x_n) (1)(NP)R={x|a_j~Tx≤b_j,x∈E~n,j∈I},I={1,2,…,m}.(2)其中 a_j=(a~(j_1),a_(j_2),…a_(j_n))~T,x~T=(x_1,x_2,…,x_n)是 n 维向量,b_j 是标量,f(x_1,x_2,…,x_n)是一阶连续可微的凸函数.     

t-可约二部分竞赛图的得分表偶

设 T_(m,n)是 m×n 二部分竞赛图,(X,T)是 T_(m,n)的顶点集合 V(T_(m,n)的有序分划,其中|X|=m,|Y|=n.设 X={x_1,x_2,…,x_m},Y={y_1,y_2,…,y_n}.顶点x_1,x_2,…,x_m 在 T_(m,n)中的得分依次为 a_1,a_2,…,a_m,a_1≤a_2≤…≤a_m;y_1,y_2,…,y_n 在 T_(m,n)中的得分依次为 b_1,b_2,…,b_n,b_1≤b_2≤…≤b_n.记 A=(a_1,a_2,…,a_m),B=(b_1,b_2,…,b_n).有序向量偶(A,B)称为 T_(m,n)的得分表偶.反之,给定有序非负整向量偶(A,B),其中 A=(a_1,a_2,…,a_m),a_1≤a_2≤…≤a_m,B=(b_1,b_2,…,b_n),b_1≤b_2≤…≤b_n,是否存在 m×n 二部分竞赛图 T_(m,n),使得(A,B)是 T_(m,n)的     

利用矩阵的初等行变换求解一般线性方程组

本文介绍一种利用矩阵的初等行变换(以下简称行变换)求解一般线性方程组A_(mn)X_(n1)=B_(m1),其中A_(mn)=(a_(ij)),X_(n1)=(x_1x_2…x_n)~T,B=(b_1b_2…b_n)~T(1)的方法,这种方法通过适当的初等行变换,使得它的一个特解及它的导出组A_(mn)X_(n1)=O_(m1) (2)的基础解系都巧妙地蕴含在同一个矩阵中,即可直接写出它们的通解.实践证明,该方法简单易行,与传统的方法相比,能达到事半功倍的效果.     

带约束的最小平方和

<正> §1.引言设 x=(x_1,…,x_n)~T,f(x)=(f_1(x),…,f_m(x))~T,g(x)=(g_1(x),…,g_l(x))~T,其中 f_i(x)(i=1,…,m)与 g_j(x)(j=1,…,l)可以是非线性函数.令     

线性规划问题最优解集的结构与仅有唯一基最优解的充分条件

其中,A是秩为m的m×n矩阵,m相似文献   

线性约束不可微凸规划的既约次梯度法

本文研究形式为 minf(x) (1.1) x∈R的非线性规划问题,其中x=(x_1,x_2,…,x_n)~T∈E~n,f:E~n→E为给定的凸函数,它可以是不可微的.可行集R为     

关于线性规划问题惩罚因子的范围估计

文[1]证明了约束线性方程组的增广矩阵[A b]经m次初等行变换即可化成形如A_1=(A~(1)b~(1))的矩阵,这里A~(1)=(a(_ij)~(1))_m×n,A~(1)的第J_i(i=2,3,…,m)列为m维列向量e_i=(0,…,0,1,0,…,0)~T,其中“1”位于i维,b~(1)=(b_1~(1),0,…,0)~T.其中b_1~(1)为正数.于是问题(1)可化成如下的等价形式     

Vincent定理的多元推广

Vincent定理指出:若f(x)为d次实系数多项式,(a_1,b_1)为开区间,则多项式f(x)在(a_1,b_1)上没有实根当且仅当存在正常数δ,使得对任意区间(a,b)(a_1,b_1),当|a-b|δ时,多项式(1+x)~df((a+bx)/(1+x))的系数不变号(都是正数或都是负数).文章的主要工作是推广这一结果到一般的多变元代数系统.设实系数多项式f∈R[x_1,x_2,…,x_n],f相对于变元x_i的次数记为d_i.记区间的笛卡尔积为I=[a_1,b_1]×[a_2,b_2]×…×[a_n,b_n](也称为Box).记φ(I)=max{b_i-a_i,i=1,2,…,n}.定义f_I=(1+x_1)~(d_1)(1+x_2)~(d_2)…(1+x_n)~(d_n)f((a_1+b_1x_1)/(1+x_1),(a_2+b_2x_2)/(1+x_2),…,(a_n+b_nx_n)).称f_I为f相对于Box I的伴随多项式.证明了:若多项式f_1,f_2,…,f_m∈R[x_1,x_2,…,x_n],且BoxΛR~n,则方程组{f_1=0,f_2=0,…,f_m=0}在BoxΛ上没有零点,当且仅当存在正常数δ(与BoxΛ有关),使得对于任意Box IA,当φ(I)δ时,伴随多项式f_(1I),f_(2I),…,f_(mI)中至少一个f_(iI)的非零系数全是正(或负)数且f_i在Box I的所有顶点上的值不为0.     

多场址问题的一个全局收敛算法及其推广

设a_1,a_2,…a_m是R~d中m个点,设w_(ji)>0,j=1,2,…,n,i=1,2,…,m,v_(jk)>0,1≤j相似文献   

标准Jacobi矩阵的混合型特征反问题

0 引言 本文讨论如下标准形式的Jacobi矩阵 其中a_i>0(i=1,2,…,n),b_i>0(i=1,2,…,n-1)。 对于Jacobi矩阵(对称三对角矩阵)的特征反问题,已有的成果[1],基本上集中在由两组频谱或两个特征对(指特征值及相应的特征向量)构造Jacobi矩阵的元素这样两类问题上,习惯上称之为频谱型或特征向量型反问题。本文提出且求解了第三类型——混合型特征反问题。即由一组频谱数据和一个特征向量构造矩阵元素的问题: 问题Ⅰ 给定正数λ~(1),λ~(2),…,λ~(n)和实向量x=(x_1,x_2,…,x_n)~T,其中x_1=1。构造一个标准形式的Jacobi矩阵J,使其第k阶顺序主子阵恰以λ~(k)(k=1,2,…,n)为其特征值。且(λ~(n),x)为其特征对。 问题Ⅱ 给定正数0<λ_1~(n)<λ_1~(n-1)<…<λ_1~(1)和正向量x=(x_1,x_2,…,x_n),其中x_=,x_k>0(k=2,…,n),构造一个标准形式的Jacobi矩阵J,使其第K阶顺序主子阵恰以λ_1~(k)为其最小特征值,而(λ~(n),x)为J的特征对。 问题Ⅲ 给定n个实数0<λ_1)<λ_2<…<λ_n和m个实数λ~(1),λ~(2),…,λ~(m)及m维向量x=(x_1,…,x_m)~T。构造n阶标准形式的Jaeobi矩阵J,使其第K阶顺序主子阵恰以λ~(k)(k=1,2,…,m)为其特征值,而(λ~(m),x)为第m阶顺序主子阵的特征对,且λ_k(k=1,2,…,n)为J的特征值。这里系大于或等     

RESEARCH ANNOUNCEMENTS Necessary and Sufficient Convergence Conditions for Algebraic Image Reconstruction Algorithms

Many imaging systems can be modeled by the following linear system of equations Ax=b,(1) where the observed data is b=(b~1...b~M)~T∈K~M and the image is x=(x_1…x_N)~T∈K~N.The number field K can be the reals R or the complexes C.The system matrix A=(A_(i,j)) is nonzero and of the dimension M×N matrix.The image reconstruction problem is to reconstruct the